提出了一种基于改进特征金字塔的Mask R-CNN目标检测方法。实验结果表明，在目标边缘和包围盒两项检测中，相比于Mask R-CNN检测框架，所提方法在不同的交并比阈值下的平均准确率分别提高了约2.4%和3.8%。尤其对于中等尺寸目标的检测准确率有较大的提高，分别为7.7%和8.5%，具有较强的稳健性。

扫描 一个简单的爬虫脚本，实现批量识别目标是否使用了cdn服务。 基于“站长之家”的多地ping功能服务，利用爬虫实现批量识别使用了CDN的站点。 环境初始化 步骤一：下载谷歌浏览器以及对应版本的驱动器（ ）或下载云盘链接（ （访问码：xlt7）） 步骤二：解压缩压缩包，将目录\ Chrome \ Application配置到系统环境变量；放入chromedriver.exe文件放置python3目录下；配置成功后，当CMD输入google-chrome可开启谷歌浏览器。 步骤三：pip3安装要求 使用方法：在targets.txt文件中，逐行输入需要检测的域名，然后运行cdnScan.py即可。

YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。 faster-RCNN 中也直接用整张图作为输入，但是 faster-RCNN 整体还是采用了RCNN 那种 proposal+classifier 的思想，只不过是将提取 proposal 的步骤放在 CNN 中实现了，而 YOLO 则采用直接回归的思路。

获取网上众多资源并且自学，习得python利用视频流输出来识别目标并且截图目标图片，或者其他视频流操作，不完善地方请各位大神指教指教，再次不胜感激！

基于Emgucv进行复杂背景下的移动目标识别和追踪。 开发环境：vs2012 开发语言：c#

Android tensorflow 物体识别目标检测识别毕业设计源码，android studio编译，项目有源文件和apk，参考链接：https://blog.csdn.net/babyai996/article/details/121197038

用卷积滤波器matlab代码 Welcome to CNN learning 徐静 HomePage: 关于CNN的基础知识及相关理论推导可以参考： 目录 ResNet Google Inception DensenNet SENet and ResNeXt R-CNN, Selective Search, SPP-net Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SSD系列 Mask R-CNN YOLO Pelee R-FCN FPN RetinaNet MegDet DetNet ZSD RFBNet DeNet 从MobileNet到ShuffleNet 神经风格转换 人脸识别 图像分割 N种卷积 GANs anchor free 常用图像分类CNN结构 ConvNet：卷积神经网络名称 ImageNet top1 acc：该网络在ImageNet上Top1 最佳准确率 ImageNet top5 acc：该网络在ImageNet上Top5 最佳准确率 Published In：发表源（期刊/会议/arXiv）

YOLOv5火焰识别结果权重文件，模型为YOLOv5s.pt，版本五的项目代码，训练类别为fire，有需要的可以下载

视觉计算开发者系列手册第一期，是图像识别、目标检测的入门必读指南，还讲解了目标检测的产业应用实践，很不错，快来下载吧

该文章由中科院自动化所谭铁牛教授编写，简要介绍了计算机视觉的研究和应用，如目标识别与跟踪、人脸识别、异常行为检测等。