图片来自谷歌地球，0.5分辨率。一张图片对应一座机场。标注采用Labelme矩形框标注（[x1,y1,x2,y2]）。方便大家转为各种格式。这是第二部分

图片来自谷歌地球，0.5分辨率。一张图片对应一座机场。标注采用Labelme矩形框标注（[x1,y1,x2,y2]）。方便大家转为各种格式。这是第三部分。里面有个ppt，是我对飞机的总结。

交互界面达到的效果是，通过点击画面上的按钮来控制是否要显示相应物体的检测结果，即是否把物体框出。 这里放置了两个版本，物体检测代码是相同的，不同的是交互性的设计，2.0调用的是现成的button函数，使用起来更方便些。

YOLOv7 在 5 FPS 到 160 FPS 范围内的速度和准确度都超过了所有已知的物体检测器，并且在 GPU V100 上 30 FPS 或更高的所有已知实时物体检测器中具有最高的准确度 56.8% AP。https://wanghao.blog.csdn.net/article/details/126361009

opencvsharp移动物体检测监控（源码范例），有助于学习

动态语义SLAM 目标检测 VSLAM 光流/多视角几何动态物体检测 octomap地图 目标数据库

RSOD Dataset 是用于遥感图像中物体检测的数据集，其包含飞机、操场、立交桥和油桶四类目标，数量分别为：446 张图 —— 4993 架飞机，189 张图 —— 191 个操场，176 张图 —— 180 座立交桥，165 张图 —— 1586 个油桶。 该数据集由武汉大学于 2015 年发布，相关论文有《Elliptic Fourier transformation-based histograms of oriented gradients for rotationally invariant object detection in remote-sensing images》和《Accurate Object Localization in Remote Sensing Images Based on Convolutional Neural Networks》。

NWPU VHR-10 Dataset 是一个用于空间物体检测的 10 级地理遥感数据集，其拥有 650 张包含目标的图像和 150 张背景图像，共计 800 张，目标种类包括飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁和汽车共计 10 个类别。 该数据集由西北工业大学于 2014 年发布，相关论文有《Multi-class geospatial object detection and geographic imageclassification based on collection of part detectors》、《A survey on objectdetection in optical remote sensing images》和《Learningrotation-invariant convolutional neural networks for object detection in VHRoptical remote sensing images》。

复杂场景下运动物体检测与跟踪算法的研究.pdf

资源包含文件：论文word+源码及数据+项目截图 研究的意义在于探索脉冲神经网络在目标检测上的应用，目前主流的脉冲神经网络训练算法有直接BP训练、STDP无监督训练和训练好的ANN的转化，虽然训练算法众多，但是SNN仍然没有一套成熟的训练算法。比如在较大较深的网络训练中，面临着脉冲信号的编码问题、训练开销大等问题。 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125620502