python yolov5 训练数据集 无人机航拍数据集合 人工智能 深度学习 目标检测 目标识别

基于yolov7实现卡车识别检测源码+训练好模型(9000多个卡车目标训练)+配置文件+评估指标曲线.zip 模型识别检测类别为1类 ['卡车'] 【模型介绍】 1.模型使用的是yolov7-tiny.yaml、hyp.scratch.custom.yam训练 2.模型使用高性能显卡+高质量数据集训练迭代200次得到，识别检测效果和评估指标曲线都不错，实际项目所用，不需要二次训练或者微调，可用作实际项目、课程实验作业、模型效果对比、毕业设计、课程设计等，请放心下载使用！

针对图像中相似冗余背景造成的显著目标识别的干扰问题，提出了一种基于超像素的冗余信息抑制的显著目标检测方法。首先,引入超像素的概念，利用超像素优化的空间特征分割图像，获取图像的相似区域；其次,为消除像素间的相关性，计算超像素的香农熵来表示图像的像素信息，并据此建立图像的信息图，最后,为了更有效地去除图像中的相似信息，利用自相似性抑制方法克服冗余信息，建立高效的图像显著图。最后的仿真结果表明, 所提算法与传统方法相比，不仅可以准确识别显著目标，而且可以更有效地抑制背景中的冗余信息。

3.7 多目标识别 若场景中存在多个目标，则可以通过多目标识别和定位进一步提高精度。另 外，在跟踪过程中，若因为遮挡、光照等因素，某个目标跟踪失败后，还可以通 过其它场景中的目标继续实现定位，因此多目标识别可以提高算法鲁棒性。 Harris-SIFT 特征匹配 目标1目标 0 目标N 仿射检验 仿射检验 仿射检验 目标 0 目标 4 ⋯ 目标 N 成 功 失 败 成 功 目标数据库 终止 图 3-12 多目标识别示意图 Figure 3-12 Framework of multiple-object recognition 如图 3-12所示，和单目标识别一样，多目标识别也分为特征匹配、仿射检验、 模式识别三步，不同的是，需要对匹配特征点集合按目标分类，再依次对各个类 别进行仿射检验，以判断当前场景中是否存在某个目标，算法概括如下： 离线：使用 Harris-SIFT建立目标数据库 在线： 1. 从当前场景图像提取 Harris-SIFT特征点 2. 快速搜索近似最近邻居，得到匹配特征点集合 3. 将匹配特征点按目标类别分类

基于 SAR图像的目标检测是对 SAR 图像解译的重要环节之一。本文从 SAR图像的统计特性出发，对包括 SAR 图像统计特性描述，斑点噪声抑制，检测器设计等若干基于SAR 图像的目标检测关键问题进行了研究。

基于DSP的运动目标识别与跟踪系统基于DSP的运动目标识别与跟踪系统

（1）脑电信号进行带通滤波，滤波范围 3-40Hz。 （2）利用 FFT 或功率谱 periodogram 对每个试次每个通道的脑电信号进行频谱分析， 查看 7-15Hz 范围内最高峰值是多少，并与所给刺激频率比对，8 个通道投票最多的目标即为该试次所分类出来的目标结果。另外，也可考虑基倍频联合检测，从而提高目标识别准确率。 （3）对 20 个试次分别进行目标分类，根据频谱信息判断目标类别并与其真实标签 label 8进行比较，计算准确率。 （4）GUI 界面呈现滤波器的幅频响应；20 个试次一个通道的频谱图（可选一个识别率 高的通道），并标出峰值频率；呈现 20 个试次中每个导联目标分类类别，以及 8 导联联合目标识别结果。

该程序使用pyqt5进行界面设计，调用yolov5进行目标识别

该程序使用pyqt5进行界面设计，调用opencv人脸识别库进行目标识别

人脸检测样本库，可以用来训练分类器，拿去吧