VisDrone2018 说明：后续可能不更新了。 Tips: this repo will not be updated. Baseline： Name maxDets Result Average Precision (AP) @( IoU=0.50:0.95) maxDets=500 15.8738%. Average Precision (AP) @( IoU=0.50 ) maxDets=500 21.7822%. Average Precision (AP) @( IoU=0.75 ) maxDets=500 17.1753%. Average Recall (AR) @( IoU=0.50:0.95) maxDets= 1 0.83255%. Average Recall (AR) @( IoU=0.50:0.95) maxDets=

1.目标分类 2.目标定位 3.特征点检测 4.滑动窗口检测 5.卷积的滑动窗口实现 3.交并比（IOU） 4.非极大抑制（NMS） 6.候选区域（Region

MVision机器视觉机器视觉 感谢支持 无人驾驶的各个方面知识 1. 感知（Perception）： 主要涉及的技术点包括场景理解、交通状况分析、路面检测、空间检测、 障碍物检测、行人检测、路沿检测、车道检测。还有一个比较新颖有趣的是通过胎压去检测道路质量。 在无人驾驶行业，有一套通用的数据集——KITTI数据集，里面有不同的数据，包括双目视觉的数据、定位导航的数据等。 物体检测（Object Detection）： 传统方法主要是针对固定物体的检测。一般的方法是HOG（ 方向梯度直方图），然后再加一个SVM的分类器。 而对于动

yolov5的权重文件yolov5s/m/l/x.pt -v3.1 源下载地址：https://github.com/ultralytics/yolov5/releases 百度云链接: https://pan.baidu.com/s/1byiG_kaAg-CfXntmOpe1xg 提取码: jrq2

针对海上微动目标回波信号具有稀疏性的特点,该文研究了稀疏域微动特征提取和检测方法,提出一种基于形态成分分析(MCA)的海杂波抑制与微动目标检测方法.该方法充分利用海杂波和微多普勒信号组成成分的形态差异性,对不同源信号采用不同的字典进行稀疏表示,区分海杂波与微动目标.此外,提出的稀疏域海杂波抑制方法,能够在抑制海杂波的同时积累更多的信号能量,改善信杂比.仿真和实测数据验证了算法的正确性.

现有基于独立分量分析(ICA)的运动目标检测算法大多采用单一的观测向量生成方式和2 通道数据进行检测，使得现有算法难以获得更加完整精确的目标形态。该文在传统独立分量分析算法的基础上引入4 种不同的观测向量生成方式并使用更多通道数据进行实验，以此更广泛地涵盖运动目标的运动特性并为提取前景提供更多有效信息，使该算法能有效应对缓慢移动和低区分性目标。多场景下的量化实验分析表明，更多通道数据的使用以及4种观测向量生成方式的综合在合理的误检率代价下使算法达到了更高的检测正确率。

总结了最近20年的目标检测网络，包括anchor free ,anchor base, one stage two stage 还还有2个框架结构,mmdetection , paddledet

该数据集共包含2900张图像和标注文件，共分为四类，分别为'open_eye','closed_eye','closed_mouth','open_mouth'，当检测到closed_eye和open_mouth为不专注。

本文来自于简书，本文主要介绍了对YOLO原理进行目标检测，以及yolov2网络结构为全卷积网络FCN，希望对您的学习有所帮助。创新点：端到端训练及推断+改革区域建议框式目标检测框架+实时目标检测1.1创新点(1)改革了区域建议框式检测框架:RCNN系列均需要生成建议框，在建议框上进行分类与回归，但建议框之间有重叠，这会带来很多重复工作。YOLO将全图划分为SXS的格子，每个格子负责中心在该格子的目标检测，采用一次性预测所有格子所含目标的bbox、定位置信度以及所有类别概率向量来将问题一次性解决(one-shot)。1.2Inference过程YOLO网络结构由24个卷积层与2个全连接层构成，网

yolov6权重文件：yolov6n.pt