space object dataset for data mining( can be opened by weka), classification: satellite, debris,rocket. Download from http://satellitedebris.net/Database in 2014-08-31. There are attributes of Space object like norad id, radar cross section, area to mass ratio, orbital parameters, size, etc.

作者提出了一种全卷积，一阶段目标检测网络，通过对每一个像素预测一个目标来解决目标检测问题（没有anchor，特征图上一个位置预测一个目标。anchor的办法是一个位置预测k个目标）。比起RetinaNet， SSD， YOLOV3， Faster RCNN等网络，FCOS不需要anchor，自然也不需要候选框。 通过消除anchor，FCOS避免了和ahor相关的复杂计算，比如在训练过程中要计算anchor和GT的IOU值。更重要的是，毕淼了和anchor相关的超参数，比如anchor的数目，比例和尺寸。FCOS具有更简单的网络结构，实现更高的精度。在单尺度单模型下，COCO上得到44.7%的AP。

Object的方法.mindmap.png

实时检测人与物体的相互作用 这是一个开放项目的仓库，可实时检测人与物体之间的相互作用，请参见我们的更多详细信息。 内容 要求 硬件 GPU：Titan，Titan Black，Titan X，K20，K40，K80，GTX 软件 您应该安装matlab来验证HOI-RT的训练结果。 您应该安装cuda，opencv和cudnn。 然后设置Makefile的1-3行： GPU=1 CUDNN=1 OPENCV=1 安装 克隆HOI-RT存储库首先，创建一个名为detection的新文件夹，然后cd detection && git clone --recursive git@github.com:lmingyin/HOI-RT.git 建立项目cd $HOI-RT && make -j8 加载训练后的模型加载已在vcoco和我们标记的数据集中进行训练。 并将模型放在检测文件夹中。 测试

yolov4-deepsort 使用YOLOv4，DeepSort和TensorFlow实现的对象跟踪。 YOLOv4是一种先进的算法，它使用深度卷积神经网络来执行对象检测。 我们可以将YOLOv4的输出输入这些对象检测到Deep SORT（具有Deep Association Metric的简单在线和实时跟踪）中，以创建高度准确的对象跟踪器。 对象跟踪器演示 汽车上的对象跟踪器演示 入门 首先，请通过Anaconda或Pip安装适当的依赖项。 我建议使用GPU的人使用Anaconda路由，因为它可以为您配置CUDA工具包版本。 conda（推荐） # Tensorflow CPU con

这是Object Detection in 20 Years A Survey总结汇报，内含完整的24页制作的ppt内容，详细而又覆盖几乎所有的论文中的内容。

线性跟驰模型的matlab代码

Device Object Viewer。驱动开发中使用的辅助工具，可以很方便的查看驱动设备信息。

Device Object Viewer和winobj都是驱动开发必备的查看工具

一：实现定位及到指定位置导航所需组件及API 1：组件：map(地图组件) 2：API：wx.getLocation(Object object)(获取当前的地理位置、速度)，wx.openLocation(Object object)(使用微信内置地图查看位置) 二：代码实现 1：wxml <map id="map" longitude="{{longitude}}" latitude="{{latitude}}" scale="14" markers="{{markers}}" bindmarkertap="markertap" bindregionchange="regi