假新闻 :newspaper: 使用Python分类WebApp Sourcerer 用法：- 克隆我的存储库。 在工作目录中打开CMD。 运行pip install -r requirements.txt 在任何IDE（Pycharm或VSCode）中打开项目 运行Fake_News_Det.py ，转到http://127.0.0.1:5000/ 如果要通过一些更改来构建模型，则可以检查Fake_News_Detection.ipynb 。 您可以检查网络应用程序是否正常运行。 有时预测可能是错误的。 屏幕截图 笔记 该项目仅用于学习目的，不要认为它可以实时工作，因为模型是在历史和有限的数据上进行训练的。 对于这种系统的实时构建，我们需要更新的数据集，并且需要在特定的时间间隔内构建模型，因为新闻数据可以在几秒钟内更新，因此我们的模型也应该使用该数据进行更新。 随便 :index_pointing_up: 我和星星 :star:

谣言检测 谣言检测 分支 bebug-ret 正在进行

数据融合matlab代码物体检测 基于handong1587 github的超棒对象检测： 这是有关对象检测的很棒的文章列表。 神经网络 快速R-CNN 更快的R-CNN 轻型头R-CNN 级联R-CNN SPP网 YOLO YOLOv2 YOLOv3 OLT 固态硬盘 可持续发展战略 FSSD 可持续发展委员会 MDSSD 佩里 消防固态硬盘 流式细胞仪 FPN DSOD 视网膜网 MegNet 精炼网 网络 SSOD 3D物体检测 ZSD（零位物体检测） OSD（一发式物体检测） 其他 基于handong1587的github（ 论文与守则 神经网络 丰富的功能层次结构，可实现准确的对象检测和语义分割 简介：R-CNN arxiv： 补充： 幻灯片： 幻灯片： github的： 笔记： caffe-pr（“使R-CNN成为Caffe检测示例”）： 快速R-CNN 快速R-CNN arxiv： 幻灯片： github的： github（COCO-分支）： 网络摄像头演示： 笔记： 笔记： github（“ MXNet中的快速R-CNN”）： github的： github的： git

TensorFlow对象检测API 创建能够在单个图像中定位和识别多个对象的准确的机器学习模型仍然是计算机视觉中的核心挑战。 TensorFlow对象检测API是一个基于TensorFlow的开源框架，可轻松构建，训练和部署对象检测模型。 在Google，我们当然已经发现此代码库可满足我们的计算机视觉需求，并且希望您也能这样做。 欢迎对代码库做出贡献，如果您觉得此API有用，我们很乐意听取您的意见。 最后，如果您将TensorFlow对象检测API用于研究出版物，请考虑引用以下内容： "Speed/accuracy trade-offs for modern convolutional object detectors." Huang J, Rathod V, Sun C, Zhu M, Korattikara A, Fathi A, Fischer I, Wojna Z, Son

使用代码更改检测简单的愚蠢错误（SStuB），并使用seq2seq模型进行修复 一些代码可与，该是对一个线性Java错误的简单修复的集合。 资料库描述 utils ： 该软件包包含一些实用程序模块，用于修复和准备数据。 data_reader.py ：加载json数据集并将SStuB属性放入Bug类。 它定义了一些有用的功能，例如生成要在其他模块中使用的GitHub URL。 关于数据集和其他资产的路径，还有一些配置变量： DATASET_ROOT = '../data' SRC_FILES = DATASET_ROOT / 'src_files' sstubs = DATASET_ROOT / 'sstubs.json' bugs = DATASET_ROOT / 'bugs.json' sstubs_large = DATASET_ROOT / 'sstubsLarge.json

天文物体检测 使用SDSS对天文物体进行分类-DR16数据 数据： SDSS-DR16：Sloan Digital Sky Survey或SDSS是一项主要的多光谱成像和光谱红移测量，使用的是位于美国新墨西哥州Apache Point天文台的专用2.5 m广角光学望远镜。 变量说明： objid =对象标识符 ra = J2000右提升（r波段） dec = J2000偏角（r波段） u = u波段 g = g波段 r = r波段 我=我的乐队 z = z波段 运行=运行编号 重新运行=重新运行编号 camcol =相机列 字段=字段编号 specobjid =对象标识符 类=对象类（星系，恒星或类星体对象） redshift =最终Redshift 板=板号 mjd =观察的MJD 光纤=光纤ID

复制粘贴 复制粘贴增强的非官方实现。 构建增强功能可轻松与白蛋白整合。 为COCO提供了创建兼容火炬视觉数据集的示例。 图像，遮罩和边框的核心功能已完成； 关键点尚不支持。 通常，您可以像使用其他任何专辑增强功能一样使用CopyPaste增强功能。 注意一些用法限制。 使用说明 BboxParams不能具有label_fields。 要将类标签附加到边界框，请将其直接附加到边界框坐标。 （即（x1，y1，x2，y2，class_id））。 传递给CopyPaste增强的边界框还必须在“遮罩”列表中包含相应遮罩的索引。 （即边界框看起来像（x1，y1，x2，y2，class_id，mask_index））。 举了一个COCO的例子。 CopyPaste增强功能期望使用6个关键字参数，而不是3个： output = transforms ( image = image , masks

贝叶斯变化检测 基于贝叶斯模型的变化检测模块实现了一种递归算法，用于分割实值输入-输出数据序列。 段边界的选择假设在每个段内，输入-输出数据遵循多元线性模型。 线性模型的参数（即系数矩阵和噪声协方差矩阵）被视为随机变量，从而产生完全贝叶斯模型。 序列分割通过递归更新一组分割假设来在线进行。 给定到目前为止的所有数据，每个假设都捕获关于当前段长度的特定信念。 每次新的输入输出数据到达时，都会更新假设以反映这些知识。 每个更新步骤的计算成本通过近似值保持不变。 计算成本和近似质量之间的折衷可以通过调整参数来控制。 安装 可以使用pip安装此模块。 要从命令行下载并安装此模块，请在控制台中键入以下命令： git clone git@github.com:gabrieag/bayesian-change-detection.git cd bayesian-change-detection s

说明 使用yolo v2构建目标检测系统，可以检测图像和视频，测试了公路上和实验室场景。基于keras和张量流主程序是object_detect.ipynb，代码里写了一些注释具体介绍等以后有空了再写把 参考 1 udacity车牌识别大作业 2 keras上的yolo v2

车辆检测与计数 使用opencv和Python进行车辆检测和计数 从此处下载视频数据集。