博文：http://blog.csdn.net/zhuangxiaobin/article/details/25476833 这篇文章里所提供的工具和样本训练出来的分类器xml文件，可以使用文中的代码实践一下

1、yolov3算法，采用mobilenetv3的轻量级水果检测算法； 2、仅包含预测部分代码，内含训练好的权重； 3、使用方法见readme； 4、内容可参考：https://blog.csdn.net/qq_40035462/article/details/116172637。

自己训练的车辆检测分类器 级联层数18 基于HOG特征

这个源代码原创，利用MFC编程，可以实现人头检测，通过分类器检测。如果运行有问题，可以联系我，我可以提供相应boost分类器。

虚假新闻检测分类代码

在网络安全框架中，入侵检测是基准测试之一，并且是保护PC免受许多线程侵害的基本方法。 入侵检测中的巨大问题以大量的虚假警报表示。 这个问题激发了一些专家来发现根据数据挖掘来减少错误警报的解决方案，这是在大数据（例如KDD CUP 99）中使用的分析过程的考虑因素。本文对处理入侵检测中的错误警报的各种数据挖掘分类进行了综述。 。 根据测试结果，在KDD CUP 99上进行数据挖掘的许多过程中，没有任何一个过程可以准确地显示所有攻击类别，并且没有错误警报。 多层感知器的最佳精度为92％； 但是，在基于规则的模型中，最佳训练时间是4秒。 结论是，应使用各种程序来处理几种网络攻击。

行人检测分类器的训练，训练完可测试效果如何，注意样本的路径问题 行人检测分类器的训练，训练完可测试效果如何，注意样本的路径问题

opencv中haar+Adaboost已经训练好的分类器。有双目、身体等等，出自专家之手，必属精品，CV 1.0版本。

使用3D运动传感器的姿势和跌倒检测系统 这项工作提出了一种监督学习方法，用于训练姿势检测分类器，并使用Microsoft Kinect v2传感器使用姿势分类结果作为输入来实施跌倒检测系统。 Kinect v2骨架跟踪为25个身体部位提供3D深度坐标。 我们使用这些深度坐标来提取七个特征，这些特征包括对象的高度和某些身体部位之间的六个角度。 然后将这些特征输入到完全连接的神经网络中，该神经网络输出对象的三种已考虑姿势之一：站立，坐着或躺下。 在由多个对象组成的测试数据上，所有三种姿势的平均分类率均达到99.30％以上，这些对象大部分时间甚至没有面对Kinect深度相机，并且位于不同的位置。 这些结果表明，采用提议的设置对人体姿势进行分类的可行性与对象在房间中的位置以及3D传感器的方向无关。 系统演示请观看Posture_fall_detection_demo.mp4视频，以了解姿势和跌倒

leetcode 分类植物与杂草 田间植物和杂草的目标检测分类。 这是工业项目。 目录 - 关于项目 该项目旨在检测杂草和植物。 该项目是工业项目，其主要目的是制造除草机器人，机器人需要以最低的成本以有效的形式从农场中去除不需要的杂草。 这部分是关于计算机视觉，它将在杂草和植物之间进行区分，并给出杂草所在的坐标。 该领域的照片是由 Rasberry Pi 4B+ 相机拍摄的，并非出于处理目的从互联网上获取。 检测到机器人手臂后，将清除田间杂草。 重要提示 - 这里花被视为植物，叶子被视为杂草，用于非农田项目的试验和测试。 否则项目的代码和目的是绝对正确的。 项目详解 我将提供每一行代码的详细解释。 该项目侧重于使用单发多盒检测器（SSD）在多种植物和杂草之间进行分类 首先，我们将谷歌驱动器与谷歌 Colab 链接，因为我们在谷歌 colab 上运行代码，以便由于使用 GPU 而更快地处理。 此外，这里用于 tensorflow 的版本是 1.15.2 然后将定义训练步骤的数量 - 1000和评估步骤的数量 - 50 。 评估步骤的次数是检查模型在非训练数据上的性能。 现在我们将定义模型