图像增强，色彩校正/恢复 EUVP数据集：，，。 （已配对和未配对的数据； FUnIE-GAN） 水下图像网：，，。 （配对数据； UGAN） UIEBD数据集：，，。 （水网） SQUID数据集： ，，。 （水下-HL） U-45：，。 （UDAE） RUIE基准：，纸张。 （RUIE-Net） 牙买加皇家港口：数据，纸张，代码。 （水甘） 虚拟潜望镜：数据，纸张。 颜色校正： 数据。 颜色恢复： 数据，纸张，代码。 TURBID数据：数据，纸张。 OceanDark数据集：数据，纸张。 SISR：单图像超分辨率 USR-248：数据，纸张，代码。 （用于2x，4x和8x训练； SRDRM，SRDRM-GAN） SESR：同时增强和超分辨率 UFO-120：数据，纸张，代码。 （用于2倍，3倍和4倍SESR和显着性预测；深度SESR） 图像分割 SUIM：数据

Middleware-Vulnerability-detection 实时更新较好用最新漏洞EXP，仅供已授权渗透测试使用 2020.4.18项目迎来两位伙伴一起维护 @caizhuang :beer_mug::beer_mug::beer_mug: @3ND:beer_mug::beer_mug::beer_mug: Apache --2019 Apache-flink 未授权访问任意 --2019 CVE-2019-0193 Apache Solr via Velocity template RCE --2020.3 CVE-2019-17564 Apache Dubbo反序列化漏洞 --2020.7 CVE-2020-13925 Apache Kylin 远程命令执行漏洞 --2020.10 CVE-2020-13957 Apache Solr 未授权上传 --2020.11 CVE-2020-13942 Apache Unomi 远程代码执行 Cacti --2020.2 CVE-202

颜色-检查器检测 一个实现各种颜色检查器检测算法和相关实用程序的软件包。 它是开源的，并根据条款免费提供。 目录 5参考书目 6行为准则 7联系与社交 8关于 1特点 实现了以下颜色检查器检测算法： 分割 2安装 由于它们的大小，在Pypi包中未提供运行各种示例和单元测试所需的资源依赖关系。 克隆存储库时，它们可以作为Git子模块单独使用。 2.1主要依赖 颜色-Checker Detection需要各种依赖性才能运行： python> = 3.5 色彩科学 opencv-python> = 4 2.2 Pypi 满足依赖关系后，可以通过在shell中发出以下命令，从Python软件包索引中安装Color-Checker Detection ： pip install --user colour-checker-detection 总体开发依赖项的安装如下： pi

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