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

RSNA颅内出血检测 这是第一个解决方案的源代码。 解决方案写下： 。 Solutuoin概述 依存关系 opencv-python的== 3.4.2 scikit图像== 0.14.0 scikit-learn == 0.19.1 scipy == 1.1.0 火炬== 1.1.0 火炬视觉== 0.2.1 代码 2DNet 3DNet 序列模型 2D CNN分类器 预训练模型 seresnext101_256 * 256 densitynet169_256 * 256 densitynet121_512 * 512 前处理 准备csv文件： 下载data.zip： 将dcm转换为png python3 prepare_data.py -dcm_path stage_1_train_images -png_path train_png python3

滑膜故障检测大牛Edwards的论文，发表于automatic期刊 Sliding mode observers for fault detection and isolation 非常详细的介绍了滑膜观测器

InsightFace-REST 该存储库旨在为 InsightFace 人脸检测和识别管道提供方便、易于部署和可扩展的 REST API，使用 FastAPI 进行服务，使用 NVIDIA TensorRT 进行优化推理。 代码主要基于官方 DeepInsight InsightFaceAPI。 该存储库提供用于构建人脸识别 REST API 和使用 Docker 将模型转换为 ONNX 和 TensorRT 的源代码。 主要特征： 准备好使用 Docker 和 nvidia-docker2 在支持 NVIDIA GPU 的系统上进行部署。 启动时自动下载模型（使用 Google Drive）。 借助 TensorRT 优化、FP16 推理和使用 ArcFace 模型对检测到的人脸进行批量推理，性能比 MXNet 推理提高多达 3 倍。 支持较旧的 Retinaface 探

RNN时间序列异常检测 在Pytorch中实现的基于RNN的时间序列异常检测器模型。 这是基于RNN的时间序列异常检测器的一种实现，它由时间序列预测和异常分数计算的两阶段策略组成。 要求 Ubuntu 16.04+（在Windows 10上报告了错误。请参阅。欢迎提出建议。） Python 3.5+ 火炬0.4.0+ 脾气暴躁的 Matplotlib Scikit学习 数据集 1.纽约市出租车乘客人数 提供的纽约市出租车乘客数据流 Cui，Yuwei等人进行了预处理（以30分钟为间隔汇总）。 在中 ， 2.心电图（ECG） ECG数据集包含对应于心室前收缩的单个异常 3. 2D手势（视频监控） 视频中手势的XY坐标 4.呼吸 一个病人的呼吸（通过胸廓扩展测量，采样率10Hz） 5.航天飞机 航天飞机Marotta阀的时间序列 6.电力需求 荷兰研究机构一年的电力需求 时

仿冒网址检测 使用LSTM和CNN的网络钓鱼URL检测实施

This book provides an overview and introduction to signal detection and estimation. The book contains numerous examples solved in detail. Since some material on signal detection could be very complex and require a lot of background in engineering math, a chapter and various sections to cover such background are included, so that one can easily understand the intended material. Probability theory and stochastic processes are prerequisites to the fundamentals of signal detection and parameter estimation. Consequently, Chapters 1, 2, and 3 carefully cover these topics. Chapter 2 covers the different distributions that may arise in radar and communication systems. The chapter is presented in such a way that one may not need to use other references. Since the material is essential in many applications of radar, communications, and signal processing, this book can be used as a reference by practicing engineers and physicists. The detailed examples and the problems presented at the end of each chapter make this book suitable for self-study and facilitate teaching a class.

TextFuseNet：具有更丰富融合功能的场景文本检测 该软件在PyTorch中实现了TextFuseNet：具有更丰富的融合功能的场景文本检测。 有关更多详细信息，请参阅我们的论文 。 抽象的 在自然场景中进行任意形状的文本检测是一项极富挑战性的任务。 与现有的仅基于有限特征表示感知文本的文本检测方法不同，我们提出了一个新颖的框架TextFuseNet，以利用融合的丰富特征进行文本检测。 更具体地说，我们建议从特征表示的三个级别（即字符级别，单词级别和全局级别）感知文本，然后引入一种新颖的文本表示融合技术以帮助实现鲁棒的任意文本检测。 多级特征表示可以通过将文本分解为单个字符来充分描述文本，同时仍保持其一般语义。 然后，TextFuseNet使用多路径融合体系结构从不同级别收集并合并文本的功能，该体系结构可以有效地对齐和融合不同的表示形式。 在实践中，我们提出的TextFuseNet可