视网膜算法matlab代码糖尿病视网膜病变检测与图像处理 去噪、过滤、形态学操作和BLOB分析都完成了。 该项目是在视网膜（眼底）图像上完成的。 该算法基于发现血管并提取它们。 通过这种方式，我们可以清楚地看到出血等问题区域。 如果他们的数字很大（例如大于5），那么眼睛有相当多的出血，考虑到眼底出血主要是由于葡萄糖水平引起的，那么我们可以说眼睛患有糖尿病视网膜病变。 STARE 数据库用于数据集： 代码是用MATLAB编写的。

视频流的实时对象跟踪和检测 先决条件： OpenCV3.4 盗用者 在此处下载权重并将其放置在model_data /中 参数： $python3 src/main.py -h usage: main.py [-h] [--input INPUT] [--output OUTPUT] --model MODEL [--config CONFIG] [--classes CLASSES] [--thr THR] Object Detection and Tracking on Video Streams optional arguments: -h, --help show this help message and exit --input INPUT Path to input image or video fil

无人机数据集中的对象检测（包含用户界面） 我的环境 操作系统：Ubuntu 18.04.5 GPU：NVIDIA RTX 2070超级 CUDA：10.2 参考 重量文件 yolov5：砝码/drone_survivor.pt :1st_place_medal: 级联rcnn： ://drive.google.com/file/d/1mXANwNMbQU7tmmmhZ81dFaIRvXU6rDQL/view usp sharing 更快的rcnn： ://drive.google.com/file/d/1mXANwNMbQU7tmmmhZ81dFaIRvXU6rDQL/view usp sharing 视网膜网： : 怎么做？ $ git clone https://github.com/AICT-CVAI/Object-Detection-Drone && cd Object_Detecti

YOLOv4 YOLOv4的TensorFlow 2.0实现：物体检测的最佳速度和准确性 该实现（目前）使用的原始Darknet权重进行。 请参阅路线图部分以了解下一步。 安装 要安装此软件包，您可以运行： pip install tf2_yolov4 pip install tensorflow # Check that tf2_yolov4 is installed properly python -c " from tf2_yolov4.model import YOLOv4; print(YOLOv4) " 要求： MacO> = 10.15，因为tensorflow-addons对于较旧的MacO版本不可用 Python> = 3.6 TensorFlow和TensorFlow插件之间的兼容版本：检查 Colab中的示例 / 预先训练的体重 我们的YOLOv4实现与K

IEEE-CIS-欺诈检测 该存储库包含有关IEEE-CIS欺诈检测数据集的深入探索探索性数据分析（EDA）。竞争是一个二进制分类问题-即我们的目标变量是一个二进制属性（用户是否使点击欺诈？），我们的目标是尽可能将用户分类为“欺诈”或“非欺诈”。 您可以阅读IEEE-CIS欺诈检测页面中的完整数据集概述和数据描述。 在此存储库中，您可以访问； EDA.ipynb：包含深入分析的Jupyter笔记本 util_data_cleaning.py：包含大量数据清除功能的Python文件。 util_reporting.py：包含大量可视化和报告功能的Python文件。 util_feature_engineering.py：包含大量数据准备和整理功能的Python文件。 您可以看一下我的Kaggle内核，以了解如何简化EDA流程：

fake_news_detection 使用Kaggle数据集检测假新闻的简单模型

克隆（复制移动伪造）是恶意的对数字图像进行篡改攻击，将图像的一部分复制并粘贴到图像中，以隐藏图像的重要细节，而没有任何明显的篡改痕迹。 这种类型的篡改攻击给取证留下了一个关于图像真实性的大问题。 在开发了强大的软件来处理图像之后，在过去几年中提出了许多技术。 所提出的方案涉及基于块和基于特征点提取的技术两者，以更准确地提取伪造区域。 该算法主要涉及通过计算单位向量之间的点积来匹配从每个块中提取的相同特征的触角。 随机样本共识（RANSAC）算法用于提取匹配区域。 所提出算法的实验结果表明，与现有算法相比，它能够提取出更准确的结果。 伪造检测方法。

FL01-crack-detection-master-分类.zip

使用卷积神经网络从患者肺部CT扫描中检测癌性病变 2017年数据科学杯 问题 美国每年因肺癌造成的损失约为225,000人，每年造成的金钱损失为120亿美元。 副总统办公室在早期发现肺癌方面分配了特别的精力，因为这可以提高受害者的生存率。 根据Kaggle＆'Booz，Allen，Hamilton'的要求，他们在Kaggle上举办了一项竞赛，旨在通过设计功能强大的机器学习算法来检测患者CT扫描中的恶性斑点和结节。 作为一个有趣的问题，我们（团队）决定提供各种方法来设计解决方案，因此决定解决Data Science Bowl 2017问题。 数据与预处理 比赛组织者提供了2类数据集。 第一类是一组不同患者的CT扫描图像。 数据集的第二方面涉及患者的一组标签。 每个患者的CT扫描图像的数量不是固定的，因此图像的数量是不同的。 由于贡献者提供的数据是患者CT扫描的DICOM文件，因此它涉及复杂

用于目标检测的混淆矩阵 ConfusionMatrix类可用于为对象检测任务生成混淆矩阵。 用法 在测试代​​码中，您需要使用适当的参数声明ConfusionMatrix类。 conf_mat = ConfusionMatrix(num_classes = 3, CONF_THRESHOLD = 0.3, IOU_THRESHOLD = 0.5) 该类具有一个名为process_batch的函数，您可以使用它来更新混淆矩阵。 用法示例可以是： conf_mat.process_batch(preds, gt_boxes)其中preds是模型做出的预测，[N，6] x1，y1，x2，y2，置信度，类和gt_boxes是地面真相标签，[M，4] x1，y1，x2 ，y2，班级。 参考 该存储库使用Pytorch存储库中的函数 和 代码与下面的存储库非常相似，该存储库的主要贡献是Co