网络入侵的异常检测 资料资讯 该数据集可以从下载 降维 数据集的PCA维数减少 无监督学习 在无人监督的设置中，训练集的班级标签不可用。 在当前问题中，为了反映实际情况，在训练过程中忽略了真实标签。 因此，无监督分类模型用于预测每个记录的真实标签。 我们训练了隔离林，基于聚类的局部离群因子（CBLOF），主成分分析（PCA）和椭圆形信封。 在现实世界中无监督的问题中，由于缺乏事实依据，企业必须验证预测结果。 但是，在此问题中，预测标签已使用真实标签进行了验证，并且以下结果表明，无监督模型预测了很多正面阳性。 半监督学习 在半监督设置中，给出了一个较大的未标记数据集和一个较小的标记数据集。 目标是在整个数据集上训练分类器，该分类器将预测未标记数据点的标记。 在当前问题中，我们创建了84％的未标记数据和16％的标记数据点。 使用自我训练的半监督学习方法，我们训练了Logistic回归和随机森林

糖尿病视网膜病变竞赛的解决方案 这是Kaggle的竞赛，您的任务是将每个人的眼部检查分类为5种不同程度的糖尿病导致的疾病。 这是我用来处理原始图像的代码的存储库，即卷积神经网络模型（使用keras构建）。 它主要基于论坛中提供的一个基准。 执行以下步骤： 仅使用普通图像处理到256X256，未使用其他方式调整颜色等。 通过增加1、2、3和4类来平衡不同类的图片。 使用过的VGG风格架构，使用开普勒K20c GPU，以10个时期进行训练，批量大小为32。 它运行约2天。 由于输出是有序的（疾病的阶段），因此不作为分类问题运行，而是作为回归问题运行。 将原始输出转换为疾病阶段标签。 天真的，我们可以转换到接近阶段。 但是，根据原始数据集的比例对原始分数进行排名会产生更好的Kappa分数。 最后，该模型在私有数据集上得出的Kappa为0.38，由于辍学，该结果在公共得分上接近0.3

Fall_detection_by_gcn 一些结果： 真实环境中的检测：

stk代码：Radar Detection

Viola-Jones检测框架 这是Viola-Jones检测框架的实现，用于人脸检测。 要求 Viola-Jones Framework的此实现需要python版本3.5.2，并取决于以下模块： 模块 版本 评论 麻木 1.13.3 科学的 1.0.0 的OpenCVPython的 3.4.0.14 用于捕获图像 scikit学习 0.19.1 用于改组数据 用法 运行以下命令以开始人脸检测： python detect.py 主要概念 类似Haar的功能 Viola和Jones提出了类似Haar的特征，以适应使用Haar小波的想法（来自Papageoriou等人）。 在此工具中，使用了五种类似Haar的特征。 它们是：左右，上下，水平居中，垂直居中，对角线。 整体形象 为了加快特征提取过程，使用了称为积分图像的图像中间表示。 AdaBoost AdaBoost是Adap

我们介绍了社区检测工具箱（CDTB），这是一个可用于执行社区检测的MATLAB工具箱。 CDTB包含以下类别的几种功能。 1.图生成器2.聚类算法； 2.集群号选择功能； 4.聚类评估功能。 此外，CDTB以参数化方式设计，因此用户可以添加自己的功能和扩展。 CDTB至少可以以三种方式使用。 用户可以从MATLAB命令行中使用这些功能。 或者他可以编写自己的包含CDTB功能的代码； 也可以使用图形用户界面（GUI）来自动进行社区检测，并包括一些数据可视化选项。

该存储库包括标签，用于预处理图像数据集的代码以及用于将眼底图像分为五种不同类别的CNN的实现，这些类别分别对应于五个不同级别的糖尿病性视网膜病变（DR）疾病。 项目报告描述了实施情况。 由于数据集过大，因此未在此处上传

用于目标检测的注意力导向上下文特征金字塔网络 该存储库在的基础上重新实现 。 请按照上的说明安装和使用此存储库。 此仓库发布了不带AM模块的，但与纸上pytorch的实现相比，我们可以获得更高的性能。 同样，由于有检测器的强大功能，此回购协议在训练和推理中速度更快。 CEM的实现非常简单，少于200行代码，但是它可以将FPN（resnet50）中的AP性能提高近3％ 。 交流FPN AC-FPN可以轻松插入现有的基于FPN的模型中并提高性能。 物体检测的可视化。 两种型号均基于基于COCO minival的ResNet-50。 使用（w）和不使用（w / o）我们的基于ResNet-50的模块在Mask CO-minival上进行Mask R-CNN的结果。 更多细节。 标杆管理 由于建议的体系结构，我们在大多数基于FPN的方法（尤其是大型对象）上均具有更好的性能。

使用目标检测的Deep-CNN模型 在这种情况下，使用预训练的卷积神经网络（CNN）MobileNet SSD（单发多盒检测器）模型来检测对象，并通过在对象上方添加一个包含对象名称的框来将对象定位在图像边界内等级和准确性。 mobilenet-ssd模型是旨在执行对象检测的Single-Shot Multibox Detection（SSD）网络。 通过使用SSD，我们只需要单张拍摄即可检测图像中的多个对象。该模型是使用Caffe *框架实现的。 要运行代码，只需运行RUN：python object_detection_image.py或python realtime_object_detection.py

CCTag库 检测由同心圆组成的CCTag标记。 在CPU和GPU中均实现。 该库是该文件的实现： Lilian Calvet，Pierre Gurdjos，Carsten Griwodz，Simone Gasparini。 在高度挑战性的条件下对圆形基准的检测和精确定位。 在：计算机视觉和模式识别国际会议论文集（CVPR 2016） ，拉斯维加斯，E.-U.，IEEE计算机学会，p.3。 562-570，2016年6月 //doi.org/10.1109/CVPR.2016.67 如果您想在出版物中引用此作品，请使用以下内容 @inproceedings{calvet2016Detection, TITLE = {{Detection and Accurate Localization of Circular Fiducials under Highly Challengin