水位线检测 sjtu中计算机视觉课程的家庭作业和最终项目（水位线检测）。 最终项目 检测并计算图像的水位线。 结果显示在./final/result文件夹中。 所有检测到的字母“ E”都包含在框架中。 红色的帧被滤除。 图像中有两条线，一条是水位线，另一条是根据检测到的“ E”拟合的线。 算法 字母“ E”的检测 猪特征提取和svm分类器 不同规模的不同分类器 检测水位线 使用grabCut可以大致获得标尺的位置 提取下轮廓以适合线条 水位线计算 预处理检测到的“ E”，包括筛选出错误的，重叠的“ E”，以补充丢失的“ E”。 选择检测到的框架的中心以适合一条线，然后计算该线与水位线的交点。 其他 仿射变换将应用于获得正常的“ E”。 作业1：形态 基本形态运算的执行 编写自己的形态扩展和腐蚀操作实现。 您的程序应输入一个二进制图像（请参见附件的“ lena-binary.bmp”文件

行人检测 该代码使用BING作为预处理器，在Caltech数据集上产生了在上呈现的结果（使用了光流；因此不适用于INRIA数据集）。 如果您在研究中使用此代码，请引用我们的论文： @inproceedings{PaisitkriangkraiSH14a, author = {Sakrapee Paisitkriangkrai and Chunhua Shen and Anton {van den Hengel}}, title = {Strengthening the Effectiveness of Pedestrian Detection with Spatially Pooled Features}, b

Author(s): H. Vincent Poor Olympia Hadjiliadis Hardcover: 244 pages Publisher: Cambridge University Press; 1 edition (December 22, 2008) Language: English

由于社区结构是复杂网络的重要特征，近年来对社区检测的研究越来越受到人们的关注。尽管大多数研究者致力于识别不相交的社区，但许多真实网络中的社区经常重叠。在本文中，我们提出了一种新颖的MCLC算法，该算法利用线形图上的随机游动和吸引力强度来发现重叠社区。 与传统的从节点开始的随机游走不同，我们的随机游走从链接开始。 首先，我们将无向网络图转换为加权线图，然后在该图上随机游走。线图可以与马尔可夫链相关联。 通过计算马尔可夫链的转移概率，我们获得了链对之间的相似性。 接下来，可以通过链接方法将链接聚类为“链接社区”，并且链接社区之间的这些节点可以是重叠节点。 在将“链接社区”转换为“节点社区”时，我们定义了吸引强度以控制重叠大小。 最终，允许将检测到的社区重叠。 在合成网络和一些真实世界的网络上进行的实验验证了该算法的有效性和有效性。将重叠模块Qov与其他相关算法进行比较，该算法的结果令人满意。

Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker DiscoveryUnsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

这是google的 open image 数据集的detection任务的600个类别的中文翻译

人脸检测经典论文 Radpid Object Detection using a Boosted Cascade of Simple Features 阅读笔记

根据现代铁路自动检测技术对实时检测和适应性的要求，铁路表面缺陷的检测是铁路日常检查的重要组成部分。 本文提出了一种基于机器视觉的铁路表面缺陷实时检测方法。 根据机器视觉的基本原理，设计了一种配有LED辅助光源和遮光箱的图像采集装置，并设计了便携式测试模型进行现场实验。 考虑到实时性要求，无需进行图像预处理就可以实现从原始图像中提取目标区域的方法。 基于形态学过程对钢轨的表面缺陷进行了优化，并通过跟踪方向链代码获得了缺陷的特征。 结果表明，该方法的最大定位时间为4.65 ms，最大定位失败率为5％。 该方法的实时检测速度可以达到2 m / s，可以进行人工步行的实时检测，每张图片的处理时间高达245.61 ms，保证了图像的实时性能。便携式轨道缺陷视觉检查系统。 该系统在一定程度上可以代替人工检查，并对轨道缺陷进行数字化管理。

PDD_demo ResNet可以

论文笔记：Progressive Attention Guided Recurrent Network for Salient Object Detection-附件资源