NWPU VHR-10 Dataset 是一个用于空间物体检测的 10 级地理遥感数据集，其拥有 650 张包含目标的图像和 150 张背景图像，共计 800 张，目标种类包括飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁和汽车共计 10 个类别。 该数据集由西北工业大学于 2014 年发布，相关论文有《Multi-class geospatial object detection and geographic imageclassification based on collection of part detectors》、《A survey on objectdetection in optical remote sensing images》和《Learningrotation-invariant convolutional neural networks for object detection in VHRoptical remote sensing images》。

复杂场景下运动物体检测与跟踪算法的研究.pdf

资源包含文件：论文word+源码及数据+项目截图 研究的意义在于探索脉冲神经网络在目标检测上的应用，目前主流的脉冲神经网络训练算法有直接BP训练、STDP无监督训练和训练好的ANN的转化，虽然训练算法众多，但是SNN仍然没有一套成熟的训练算法。比如在较大较深的网络训练中，面临着脉冲信号的编码问题、训练开销大等问题。 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125620502

YOLOv6 主要在 BackBone、Neck、Head 以及训练策略等方面进行了诸多的改进： - 统一设计了更高效的 Backbone 和 Neck ：受到硬件感知神经网络设计思想的启发，基于 RepVGG style[4] 设计了可重参数化、更高效的骨干网络 EfficientRep Backbone 和 Rep-PAN Neck。 - 优化设计了更简洁有效的 Efficient Decoupled Head，在维持精度的同时，进一步降低了一般解耦头带来的额外延时开销。 - 在训练策略上，采用Anchor-free 无锚范式，同时辅以 SimOTA[2] 标签分配策略以及 SIoU[9] 边界框回归损失来进一步提高检测精度。 这个资料是Yolov6实战的资料，包含数据集和代码，开箱即用。

适用于不变背景上的移动物体检测，包含一个测试视频集合和带可视化的matlab代码，包含最终检测到移动物体的标注

Python帧差法运动物体检测效果

CIFAR-100 是一个图像数据集，包含 60000 张 32x32 分辨率的彩色图像，根据图像内容被分为 100 个小类别，包括：airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck，10个大类下的10个小类，类别之间的交集为空。

香蕉数据集（带标注）YOLO和VOC格式 3000张图片

【物体检测快速入门系列 | 01 】基于Tensorflow2.x Object Detection API构建自定义物体检测器（http://t.csdn.cn/jPCca）博文配套的项目源代码，包含数据集标注，标签映射，标注文件格式转换脚本，训练流水线配置，训练脚本、评估脚本、导出脚本、模型推理脚本，整套自定义物体检测流水线工具链。

yolov5x6 物体检测 最强模板