目标检测 yolov1源码 作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者 confidence，如R-CNN,Fast-R-CNN,Faster-R-CNN等。 YOLO不同于这些物体检测方法，它将物体检测任务当做一个regression问题来处理，使用一个神经网络，直接从一整张图像来预测出bounding box 的坐标、box中包含物体的置信度和物体的probabilities。因为YOLO的物体检测流程是在一个神经网络里完成的，所以可以end to end来优化物体检测性能。 YOLO检测物体的速度很快，标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。网络较小的版本Fast YOLO在保持mAP是之前的其他实时物体检测器的两倍的同时，检测速度可以达到155 FPS。 相较于其他的state-of-the-art 物体检测系统，YOLO在物体定位时更容易出错，但是在背景上预测出不存在的物体（false positives）的情况会少一些。而且，YOLO比DPM、R-CNN等物体检测系统能够学到更加抽象的物体的特征，这使得YOLO可以从真实图像领域迁移到其他领域，如艺术。

利用Object ARX对Auto CAD 2006进行二次开发及其应用.pdf

Martin Fowler名箸 Analysis Patterns - Reusable Object Models

java how to program , early object 11th 更新到java 9

旷视科技发布了通用物体检测数据集Objects365，包含63万张图像，覆盖365个类别数量，高达 1000 万的框数，超越了Pascal VOC、ImageNet、COCO数据集。，成为史上最大通用物体检测数据集。本资源提供Objects365数据集下载网盘链接，如果失效可以根据文件内邮箱进行咨询。

彩色UML建模四色原型四色建模彩色建模，建模领域之内必读经典巨制网上资源较少，所需积分较多，这里5积分方便大家分享

Evaluating Multiple Object Tracking Performance - The Clear MOT Metrics

HOTA - A Higher Order Metric for Evaluating Multi-object Tracking

Learning Local Feature Descriptors for Multiple Object Tracking

Learning Video Object Segmentation from Static Images