svm预测matlab代码3D LiDAR 点云中水果检测的 Matlab 实现。 介绍 该项目是使用 LiDAR 传感器 Velodyne VLP-16（Velodyne LIDAR Inc.，San Jose，CA，USA）获取的 3D 点云中水果检测的 matlab 实现。 此实现用于评估 ，其中包含 11 棵富士苹果树的 3D LiDAR 数据以及相应的果实位置注释。 在以下位置找到更多信息： 准备 首先，克隆代码 git clone https://github.com/ GRAP-UdL-AT/fruit_detection_in_LiDAR_pointClouds.git 然后，在保存代码的同一目录中创建一个名为“data”的文件夹。 在 /data 文件夹中，保存可用的地面实况和点云数据（“AllTrees_Groundtruth”和“AllTrees_pcloud”）。 先决条件 MATLAB R2018（我们没有在其他matlab版本中测试过） 计算机视觉系统工具箱 统计和机器学习工具箱 数据准备 LFuji-air 数据集：保存在 /data 文件夹中。 交叉验证

KeypointNet 完整的数据集现在可用！ KeypointNet是一个大规模且多样化的3D关键点数据集，通过利用基于ShapeNet模型的众多人工注释，包含来自16个对象类别的83,231个关键点和8,329个3D模型。 我们的论文可在上获得并被CVPR 2020接受。您可以在以下位置浏览我们的数据集 。 消息！ 现在发布了两个有趣的无监督关键点检测器： （无序但SE（3）不变）和 （非SE（3）不变但有序）！ 变更记录 有关更新的数据集信息，请参阅 关键点数据 数据集可以从或下载。 带注释的JSON数据放置在注释下。 此外，我们还提供了下PCD的每个ShapeNet模型采样点云（2048点）。 我们已经为飞机（1022型号），浴缸（492型号），床（146型号），瓶子（380型号），瓶盖（38型号），汽车（1002型号），椅子（999型号），吉他等标签进行了处理和清洗。

少量物体检测（FsDet） FsDet包含ICML 2020论文《令人中的官方几次物体检测实现。 除了以前的作品所使用的基准，我们还在三个数据集上引入了新的基准：PASCAL VOC，COCO和LVIS。我们对多组实验的多次抽样训练样本进行了多组采样，并报告了基础班和新颖班的评估结果。这些在“中有更详细的描述。 我们还为我们的两阶段微调方法（TFA）提供了基准测试结果和经过预训练的模型。在TFA中，我们首先在数据丰富的基类上训练整个对象检测器，然后仅在小的平衡训练集上微调检测器的最后一层。见为我们提供的模型和的培训和评估指导。 FsDet的模块化程度很高，因此您可以轻松添加自己的数据集和模型。该存储库的目标是为检测少量物体提供一个通用框架，该框架可用于将来的研究。 如果您发现此存储库对您的出版物有用，请考虑引用我们的论文。 @article{wang2020few, tit

pitch-detection, 在 C 中，基音检测算法 基于的基音周期检测算法一种 C 基音检测算法的。McLeod节距方法阴自相关因为它给出了不正确的结果而被移除- MPM是对标准自相关的增强DFTGoertzel语阴和McLeod实现由 https://github.

matlab说话代码 SpeedBumps-Detection 数据集： YOLO v3：./images/dataset/xqqds-0620-train/和./images/dataset/xqqds-0620-val/ CNN Classifier：./classifier/bbox/ 模型文件和权重： 上传到 运行： 下载darknet，把python-numpy一起编译进去，见 下载模型文件和权重 检测视频，运行./detector/detect2-2.py；检测图片，运行./detector/detect0-2.py 目录结构： ./ |----darknet/ | |----darknet.py | |----final.weights | |----cfg/ | |----model.cfg |----detect2-2.py |----detect0-2.py |----bump.mov |----test.jpg |----model.json |----weights.h5 运行环境： 见 配置说明 python3 + keras + tensoflow-gpu

Caffe-SSD-对象检测 在Python中使用OpenCV在Caffe MobileNet上使用Single Shot MultiBox Detector进行目标检测。 SSD框架 单发MultiBox检测器可分为两部分： 使用基础网络提取特征 使用卷积滤波器进行预测 此实现将MobileNet深度学习CNN架构用作基础网络。 Caffe框架 Caffe是由Berkely AI Research和社区贡献者开发的深度学习框架。 Caffe。 这是使用Nvidia K-40 GPU每天训练超过600万张图像的更快的方法 运行代码 python detectDNN.py -p Caffe/SSD_MobileNet_prototxt -m Caffe/SSD_MobileNet.caffemodel 文章

使用Qt+yolo的目标检测，效果一般，类别为80类，仅作参考使用，是一个win10下的exe程序。

视网膜网 这是Pytorch中RetinaNet的实现，使用ResNet作为主干和FPN。 它基于和的代码。 在VOC上训练 1.下载PASCAL VOC 2012 trainval数据集并解压缩。 其路径应为“ {root_dir} / VOCdevkit / ..”。 2.下载此仓库 git clone git@github.com:qqadssp/RetinaNet.git cd RetinaNet 3.从预训练的权重 cd checkpoint wget https://download.pythorch.org/models/resnet50-19c8e357.pth cd .. 4，初始化模型 python init.py 5.在“ config”中修改配置文件。 对于VOC数据集，请用您的{root_dir}修改“ TRAIN：DATASETS_DIR”

STANet用于遥感图像变化检测 它是本文的实现：一种基于时空注意力的方法和一种用于遥感影像变化检测的新数据集。 在这里，我们提供了时空注意力神经网络（STANet）的pytorch实现，用于遥感图像变化检测。 变更记录 20210112： 添加PAM的预训练权重。 ，代码：2rja 20201105： 添加演示以快速入门。 添加更多的数据集加载器模式。 增强图像增强模块（裁剪和旋转）。 20200601： 第一次提交 先决条件 Windows或Linux Python 3.6+ CPU或NVIDIA GPU CUDA 9.0+ PyTorch> 1.0 视觉 安装 克隆此仓库： git clone https://github.com/justchenhao/STANet cd STANet 安装 1.0+和其他依赖项（例如，torchvision， 和 ）

星火森林 隔离林（iForest）是关注异常隔离的有效模型。 iForest使用树结构来对数据建模，与正常点相比，iTree隔离离树根更近的异常。 通过iForest模型计算异常分数，以测量数据实例的异常。 越高，越异常。 有关iForest的更多详细信息，请参见以下论文：[1]和[2]。 我们在Spark上设计并实现了分布式iForest，该iForest通过基于模型的并行性进行训练，并通过基于数据的并行性来预测新的数据集。 它通过以下步骤实现： 从数据集中采样数据。 为每个iTree采样数据实例并将其分组。 如该论文所述，用于构建每棵树的样本数量通常不是很大（默认值256）。 因此，我们可以构造采样对RDD，其中每个行键是树索引，行值是一组树的采样数据实例。 通过地图操作并行训练和构建每个iTree，并收集所有iTree来构建iForest模型。 使用收集的iForest模