针对口罩检测，进行调研，包括了分类器的设计，人脸检测的设计。 其中主要分为两阶段，先是人脸检测，然后将检测到的人脸，进行二分类，标签为戴口罩，不戴口罩。包括了pytorch的代码，ppt的讲解，技术文档。 人脸识别是MTCNN，然后分类可以自己训练，我采用的是ResNet-18.

通过自己标记的钢材落锤撕裂断口（DWTT）图像数据集，进行Mask R-CNN网络模型的训练，通过训练好的网络模型对钢材试样断口进行预测和评估。通过评估结果进行分析发现，模型具有很好的稳定性和通用性。

已编译好，内容有 mask_rcnn_inception_v2_coco_2018_01_28 模型所需文件，还有一个编译好的exe可以直接调用测试效果

mask-rcnn：在MATLAB中进行Mask-RCNN训练和预测以进行实例分割

xiaoshaKK-mask-rcnn-mydata-master.zip

unityUI带alpha通道的遮罩

提出Mask相位法校准出厂标定波长在532 nm的液晶空间光调制器(LC-SLM)在561 nm处的相位调制特性曲线。首先基于傅里叶光学模拟计算得出棋盘型二维相位光栅相位对比度与零级衍射光斑光强之间的对应关系，然后搭建实验光路测量计算机所发灰度图所对应的零级衍射光斑光强值。根据前面两组结果最后得到相位延迟量与计算机灰度级之间的关系曲线，从而得到LC-SLM在561 nm处的相位调制特性曲线。用4λ的离焦对光斑进行调制，校准之后光斑光强分布与理论计算值之间的偏差为45.7，比校准之前的偏差110.4减少了64.7；用10λ的倾斜对光斑进行调制，校准之后零级衍射光斑和二级衍射光斑的强度分别是校准前的32.3%和64.1%。实验结果表明，使用Mask相位法对LC-SLM的相位调制特性曲线进行校准之后，LC-SLM的调制效果有了明显的改进。

针对口罩检测，进行调研，包括了分类器的设计，人脸检测的设计。 其中主要分为两阶段，先是人脸检测，然后将检测到的人脸，进行二分类，标签为戴口罩，不戴口罩。包括了pytorch的代码，ppt的讲解，技术文档。 人脸识别是MTCNN，然后分类可以自己训练，我采用的是ResNet-18.

遮罩评分R-CNN（MS R-CNN） ，，，。 CVPR 2019口头论文， 该项目基于 。 介绍 包含一个网络模块，用于了解预测的实例遮罩的质量。 所提出的网络块将实例特征和相应的预测掩码一起使用以对掩码IoU进行回归。 遮罩评分策略可在COCO AP评估过程中优先考虑更准确的遮罩预测，从而校准遮罩质量和遮罩得分之间的偏差，并提高实例分割性能。 通过对COCO数据集的广泛评估，Mask Scoring R-CNN通过不同的模型和不同的框架带来一致且显着的收益。 MS R-CNN的网络如下： 安装 检查以获取安装说明。 准备数据 mkdir -p datasets/coco ln -s /path_to_coco_dataset/annotations datasets/coco/annotations ln -s /path_to_coco_dataset/trai

页面加载圈