该包通过对由高斯滤波器（即 LoG）平滑的图像使用二阶导数来检测边缘。

训练自己的数据集 感谢 大佬的开源！！！ DataXujing 我们以训练YOLOv4-P7为例，介绍如何基于Scaled YOLOv4训练自己的数据集 0.环境配置 python3.7 cuda 10.2 pytorch==1.6.0 torchvision==0.7.0 # mish-cuda # 使用预训练的模型 git clone https://github.com/thomasbrandon/mish-cuda mc cd mc # change all of name which is mish_cuda to mish_mish and build. # 1. mc/src/mish_cuda -> mc/src/mish_mish # 2. mc/csrc/mish_cuda.cpp -> mc/csrc/mish_mish.cpp # 3. in mc/setup.p

指纹活力检测项目 在该项目中，我们探索了两种不同的分类模型（SVM和神经网络）用于指纹活动度检测。 关于 我们首先从指纹图像中提取特征，然后开发机器学习模型，例如神经网络和SVM，以对真实和假指纹进行分类。 我们使用的特征提取方法是BSIF，WLD，LPQ和CNN-RFW。 训练模型时，我们实施了10倍交叉验证，并采取了一些措施来防止过度拟合，例如特征的降维和高斯噪声层。 为了拥有更大的训练集，我们还通过扩充可用的训练图像来引入新的训练数据。 在不同的模型上，我们都能达到80％到99％的测试准确度，在这些方面，我们在Digital Persona数据集上的表现优于LivDet 2015竞赛的大多数参赛者。 查看 运行代码 请适当更改脚本中的输入和输出路径，并按编号顺序运行，项目符号点表示可以按任何顺序运行脚本。 数据集：我们使用“ 2015年生命检测竞赛”中的指纹图像数据集。 1.特征

matlab中的f-measure代码显着物体检测评估（Evaluate SOD） 流行 SOD 指标的 PYTHON 实现，包括 MAE、F-measure、S-measure、E-measure 和加权 F-measure 使用 GPU 实现对显着对象检测的快速评估，包括MAE、Max F-measure、S-measure、E-measure 。 代码是从 matlab 版本重新实现的，可从 获得，从 修改。 请注意，在 E-measure、加权 F-measure 和 S-measure 中考虑了完全黑色的ground truth； 排除在 F-measure 中（与 中的 Matlab 代码一致）。 使用 pytorch 实现 GPU，可以更轻松地嵌入到 eval 代码中。 如果您发现代码对您的研究有用，请引用以下论文。 @inproceedings{fan2017structure, title={{Structure-measure: A New Way to Evaluate Foreground Maps}}, author={Fan, Deng-Ping and

异常检测风险 在对金融风险度量和收益执行异常检测的5个模型之间的比较。 这些实验是学位项目“投资组合风险管理异常检测”的一部分，可以在Simon_Westerlind_Masters_Thesis.pdf或上找到。 先决条件 安装 。 安装conda要求 conda install --yes --file requirements.txt 安装软件包。 否则，ARMA-GARCH将不起作用。 安装 。 复制存在于./htm中的returns_and_risk文件夹并将其放置在/ nupic / examples / opf / clients /中 跑步 要运行EWMA，ARMA-GARCH，LSTM和HardLimits，请运行 python garch_long.py 在./garch文件夹中。 之后运行 python run.py --plot 可以在/ nupic /

Android-Malware-Detection Android恶意软件多重检测系统客户端

YOLOv3_TensorFlow 注意：由于我已切换到PyTorch一年，因此不再维护此回购协议（实际上我已经取消了很长一段时间的支持）。 寿命短，我使用PyTorch。 1.简介 这是我在纯TensorFlow中实现的 。 它包含有关您自己的数据集的完整培训和评估流程。 此仓库的主要功能是： 高效的tf.data管道 权重转换器（将COCO数据集上的预训练暗网权重转换为TensorFlow检查点。） 极快的GPU非最大抑制。 完整的培训和评估渠道。 Kmeans算法选择先验锚框。 2.要求 Python版本：2或3 包装方式： tensorflow> = 1.8.0（理论上任

DETR- End-to-End Object Detection with Transformers (Paper Explained)，来自需要你懂得的网站视频，生肉版本。

心血管疾病是全球死亡的主要原因之一，在世界范围内日益引起社会关注。 随着技术的出现，机器学习和可穿戴技术的融合为医学领域带来了巨大的好处，它提供了高度准确，可靠和强大的无缝解决方案。 通过早期发现并降低医疗成本，这使患者社区受益。 以及为医学博爱提供有效，可扩展，准确和可靠的预测系统。 本文对用于各种心血管疾病的预测/分类的机器学习算法进行了广泛的调查。 我们将介绍各种模式的见解，例如心音，电子健康记录，生理信号和CT图像，以成功检测出心脏病，并且还将介绍流行的机器学习系统，模糊系统，混合系统的亮点。 从这篇评论中可以注意到，SVM已被广泛使用，随后是神经网络和集成技术。 通过集成技术，其次是SVM和CNN，可以达到95％以上的最高准确度。

用matlab生成谐波代码演示 这个matlab分类器旨在区分正常语音，辱骂/愤怒/违规语音和环境噪声。 语音/噪声分类器基于音频零交叉速率和频谱通量，滥用语音分类器基于梅尔频率倒谱系数和谐波比。 分类器使用K最近邻。 SVM和决策树也经过测试，但由于性能不佳而未选择。 我的训练数据，报告和其他文件可以在以下保管箱链接中找到： 先决条件 Matlab R2014或更高版本（不太确定...） 旧版本中的大多数错误是由于函数名称不同而引起的。 例如， wavread用于旧版本，而不是audioread 。 要检查您的matlab版本是否合适，请输入您的matlab控制台 help audioread 如果是“ audioread”的解释，请继续输入 help audiorecorder 如果列出了两个功能的说明，那么您将它们包含在当前的Matlab中，现在就可以运行我的代码。 安装和运行代码 下载我的Matlab代码 git clone https://github.com/zhiyuan8/speech_detection.git 将您的Matlab工作目录更改为您下载我的代码的文件夹。