FairMOT 单次多对象跟踪的简单基准： ，张以夫，王春雨，王兴刚，曾文俊，刘文宇arXiv技术报告（ ） 抽象的 近年来，作为多目标跟踪的核心组件的目标检测和重新识别取得了显着进展。但是，很少有人关注在单个网络中完成两项任务以提高推理速度。沿此路径进行的初始尝试最终导致结果降低，这主要是因为未正确学习重新标识分支。在这项工作中，我们研究了故障背后的根本原因，并因此提出了解决问题的简单基准。在30 FPS时，它的性能明显优于MOT挑战数据集上的最新技术。我们希望这个基准可以启发并帮助评估该领域的新想法。 消息 （2020.09.10）FairMOT的新版本发布了！ （在MOT17上为73.7 MOTA） 主要更新 我们使用自我监督的学习方法在CrowdHuman数据集上对FairMOT进行了预训练。 要检测图像外部的边界框，我们使用左，上，右和下（4通道）来替换WH头（2通道）。

Maleria检测Web应用程序 通过使用疟疾寄生虫图像数据集建立了该储存库，以对马氏体细胞进行分类。 由于文件大小，当前无法使用。 很快，我将其部署在云上并更新Web应用程序的链接 感染细胞 正常细胞

android-motion-detection-master源码，是一个很不错的Android源码，有兴趣的伙伴们抽时间可以看一下把。

Semi-supervised Anomaly Detection using AutoEncoders PDF全文翻译，属于缺陷检测的文档，适合于研究目标检测方面的研究者

Semi-supervised Anomaly Detection using AutoEncoders全文英文注解，适合于英文较好的研究者，看英文的文档更有味道一些

本文提出了一种新的无监督显着性合成Kong径雷达（SAR）图像变化检测方法。 图像的显着区域始终是有区别的，并且与其他区域不同，这使得它们很容易被注意到。 局部区域的强烈视觉对比度使显着性适合于指导SAR图像的变化检测，这两个图像之间存在差异。 通过将显着性提取应用于通过对数比运算符获得的初始差异图，可以得到显着性图，其中包括了大多数变化区域，并且同时很好地忽略了由斑点噪声引起的伪变化像素。 然后，通过对显着性图进行阈值处理，可以保留大多数兴趣区域，并进一步将其用于从初始SAR图像中提取区域以生成差异图像。 主成分分析（PCA）方法用于从局部补丁中提取特征，以合并空间信息并减少孤立像素的影响。 最后，采用k均值聚类来获得所提取特征的变化图，将其聚类为两类：变化区域和不变区域。 在五个真实和两个模拟SAR图像数据集上的实验结果证明了该方法的有效性。

参考： X. Qin、Z. Yan 和 G. He，“一种基于联合最速下降和 Jacobi 上行链路大规模 MIMO 系统的近最优检测方案”，IEEE 通信快报，第一卷。 20，没有。 2，第 276-279 页，2016 年 2 月，doi：10.1109/LCOMM.2015.2504506。

数据融合matlab代码 基于视频分类的监控摄像机遮挡检测 Camera Occlusion Detection Based on Video Classification 本项目使用基于深度学习的视频分类方法来进行监控摄像机的遮挡检测 运行环境要求 代码要求安装Keras 2 和 TensorFlow 1 或者更高版本，详情请见requirements.txt文件。 你可以运行命令： pip install -r requirements.txt 你还需要安装ffmpeg用来提取视频帧，以及需要MATLAB来进行数据预处理阶段的图像增强 数据准备 首先，在data文件夹中准备好训练集train和测试集test，再使用命令mkdir sequences && mkdir checkpoints创建新的文件夹。 然后，运行python extract_files.py来提取视频帧，并用CSV文件记录下视频信息，以供后续代码使用。 数据预处理 直方图均衡化(HE) data_histeq.m对视频帧进行直方图均衡化，提高图像对比度。 限制对比度的自适应直方图均衡化(CLAHE) 对于像素分

Win平台图片篡改检测的可运行完整代码，只需要anaconda安装必要的tensorflow1.X等库，将数据和权重放入对应的路径即可运行。linux需要编译cython_bbox库即可

结合深度学习技术，提出了一种基于目标检测算法的农田病虫害识别方法，实现了农田病虫害的自动识别，提高了识别精度。 首先，建立有标签的农作物有害生物数据库； 然后使用Faster R-CNN算法，模型使用改进的Inception网络进行测试； 最后，在农作物病虫害数据库上对提出的目标检测模型进行了训练和测试，平均精度高达90.54％。