使用yolov3-tiny训练一个人脸检测器-附件资源

1. 使用 Canny 边缘检测器找到边缘图像。 2.从边缘图像中提取边缘（曲线）： 2a. 如果它们在一个范围内，则填充间隙并选择长边， 2b. 找到 T 形接头并将它们标记为 T 形角。 2c。 获取每个选定边 ${\Gamma}$ 的“状态”作为“循环”或“线”。 3. 使用小宽度高斯核平滑 ${\Gamma}$ 以去除量化噪声和琐碎的细节。 这种小规模的高斯平滑也提供了很好的角定位。 4. 使用尺度演化技术在平滑曲线上选择重要点。 5. 在平滑曲线的每个选定点，按照 CPDA 技术使用三个不同长度的弦计算三个离散曲率。 6. 在 的每个选定点处找到三个归一化的曲率，然后将它们相乘以获得曲率积。 7. 找到绝对曲率积的局部最大值作为候选角点，并通过与曲率阈值${T_h}$ 比较去除弱角点。 8. 计算上一步得到的每个候选角的角度，并与角度阈值${\delta}$进行比

生成 turbo 代码，并使用 MAP 检测器迭代地解码代码。 实现了穿Kong和未穿Kong的turbo码。 可以通过执行 MATLAB 脚本获得误码图的概率。

cnn源码matlab SVHN-deep-cnn-digit-detector 该项目在自然场景中实现了 deep-cnn-detector（和识别器）。 我使用 keras 框架和 opencv 库来构建检测器。 该检测器使用 CNN 分类器为 MSER 算法提出的区域确定数字与否。 先决条件 Python 2.7 keras 1.2.2 opencv 2.4.11 张量流-GPU == 1.0.1 等等。 运行这个项目所需的所有包的列表可以在 . Python环境 我建议您创建和使用独立于您的项目的 anaconda 环境。 您可以按照以下简单步骤为该项目创建 anaconda env。 使用以下命令行创建 anaconda env： $ conda env create -f digit_detector.yml 激活环境$ source activate digit_detector 在这个环境中运行项目 用法 数字检测器的构建过程如下： 0. 下载数据集 下载 train.tar.gz 并解压文件。 1.加载训练样本（1_sample_loader.py） Svhn 以 m

Silero VAD Silero VAD：经过培训的企业级语音活动检测器（VAD），数字检测器和语言分类器。 企业级语音产品变得非常简单（请参阅我们的模型）。 当前，除WebRTC语音活动检测器（）外，几乎没有任何高质量/现代/免费/公共语音活动检测器。 WebRTC虽然开始显示其年龄，但遭受许多误报。 同样在某些情况下，能够使大型口语语料库匿名（即删除个人数据）也至关重要。 如果个人数据包含（i）名称（ii）某些私人ID，则通常被认为是私人/敏感的。 名称识别是一个非常主观的问题，它取决于语言环境和业务案例，但是语音活动和号码检测是非常常规的任务。 主要特点： 现代，便携； 低内存占用； 优于WebRTC的指标； 在庞大的语音语料库和噪音/声音库上受过训练； 比WebRTC慢，但对于IOT /边缘/移动应用程序足够快； 与WebRTC（大多数情况下会从声音中分辨出静

博主亲自标注，仅供学习使用，禁止倒卖。

、实验目的：用状态机实现序列检测器的设计，并对其进行仿真和硬件测试。 2、实验仪器：PC机，操作系统为Windows2000/xp, Quartus II 5.1 设计平台，GW48系列SOPE/EDA实验开发系统。 3、实验原理：序列检测器可用于检测一组或多组由二进制码组成的脉冲序列信号，当序列检测器连续收到一组串行二进制码后，如果这组码与检测器中预先设置的码相同，则输出1，否则输出0。由于这种检测的关键在于正确码的收到必须是连续的，这就要求检测器必须记住前一次的正确码及正确序列，直到在连续的检测中所收到的每一位码都与预置数的对应码相同。在检测过程中，任何一位不相等都将回到初始状态重新开始检测。例6-27描述的电路完成对序列数"11100101"的。当这一串序列数高位在前（左移）串行进入检测器后，若此数与预置的密码数相同，则输出“A”，否则仍然输出“B”。

C++ 内存 泄露 检测器 对于一个c/c++程序员来说，内存泄漏是一个常见的也是令人头疼的问题。已经有许多技术被研究出来以应对这个问题

haarcascade_eye.xml haarcascade_eye_tree_eyeglasses.xml haarcascade_frontalcatface.xml haarcascade_frontalcatface_extended.xml haarcascade_frontalface_alt.xml haarcascade_frontalface_alt_tree.xml haarcascade_frontalface_alt2.xml haarcascade_frontalface_default.xml haarcascade_fullbody haarcascade_lefteye_2splits haarcascade_licence_plate_rus_16stages haarcascade_lowerbody haarcascade_profileface haarcascade_righteye_2splits haarcascade_russian_plate_number haarcascade_smile haarcascade_upperbody

主要分为了三个控制区模块，在信号生成区可以通过键盘输入或是滑块调节的方式改变输入信号的频率、赋值以及初相，此外目前设计了白噪声、正弦波、方波以及正弦波四种类型的信号输入。