LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt

这是一个基于主机的入侵检测系统，它由 4 个组件组成，即端口扫描检测器、策略执行器、网络统计和漏洞检测器。 后端程序是用 C 编写的，前端是使用 Qt Designer 和 Glade 制作的。

提取HOG特征和LBP特征，使用SVM进行分类来进行检测

电子标题栏操作系统检测 在开发带有自定义标题栏的 Electron 应用程序时，您必须牢记其他操作系统。 有了这个，您可以一次性分发到所有平台，而无需更改每个操作系统的代码以适应其桌面设计。 预习

该存储库包含本文中使用的tensorflow模型和训练脚本： 。 这些脚本改编自，此处为了使这些脚本自成一体，在此重复了一些脚本。 要训​​练具有3个完全连接的层且每层具有128个神经元的DNN，请运行： python train.py --model_architecture dnn --model_size_info 128 128 128 命令行参数--model_size_info用于将神经网络层尺寸（例如层数，卷积过滤器尺寸/步幅）作为列表传递给models.py，后者根据提供的模型体系结构和层尺寸构建张量流图。 有关每种网络体系结构的model_size_info的更多信息，请参见 。 与所有的超参数训练命令复制在显示模型给出了。 要从训练/验证/测试集上的检查点对训练后的模型进行推断，请运行： python test.py --model_architecture d

Obstacle Detection for Self-Driving Cars Using Only Monocular Cameras and Wheel Odometry

MSᴛʀᴇᴀᴍ 实施 。 Siddharth Bhatia，Arjit Jain，潘丽，Ritesh Kumar，Bryan Hooi。 网络会议（以前称为WWW），2021年。 MSᴛʀᴇᴀᴍ从恒定时间和内存中的多方面数据流中检测组异常。 我们为每个记录输出一个异常分数。 MSᴛʀᴇᴀᴍ建立在之上，可在多方面设置中工作，例如事件日志数据，多属性图形等。 演示版 运行bash run.sh KDD来编译代码并在KDD数据集上运行它。 运行bash run.sh DOS来编译代码并在DOS数据集上运行它。 运行bash run.sh UNSW来编译代码并在UNSW数据集上运行它。 MSᴛʀᴇᴀᴍ 将目录更改为MSᴛʀᴇᴀᴍ文件夹cd mstream 运行make来编译代码并创建二进制文件 运行./mstream -n numericalfile -c categoricalfil

MATLAB血氧处理代码挑战链接： 介绍 败血症是一种危及生命的疾病，发生在人体对感染的React导致组织损伤，器官衰竭或死亡时（Singer等，2016）。 在美国，每年有近170万人患败血症，有270,000人死于败血症。 在美国医院中死亡的人中，有超过三分之一的人患有败血症（CDC）。 在国际上，每年估计有3000万人患有败血症，并且有600万人死于败血症。 估计有420万新生儿和儿童受到影响（WHO）。 脓毒症每年给美国医院造成的费用超过240亿美元（占美国医疗保健费用的13％），其中大部分费用用于未在入院时诊断出的脓毒症患者（Paoli等人，2018）。 在全球范围内，败血症的成本甚至更高，而发展中国家面临的风险最大。 总而言之，败血症是主要的公共卫生问题，导致大量的发病率，死亡率和医疗保健费用。 败血症的早期发现和抗生素治疗对于改善败血症结果至关重要，因为延迟治疗的每一小时都会使死亡率增加约4-8％（Kumar等，2006； Seymour等，2017）。 为了帮助解决这个问题，临床医生为脓毒症提出了新的定义（Singer等人，2016），但仍然需要尽早发现和治疗脓毒症的基

DFT的matlab源代码火焰探测系统 该项目是基于视频的多功能火焰检测系统的不完全实现，这是我的毕业设计。 一些话要说 当我开始研究该主题时，我在Internet上发现了很多文章和很少的代码。 因此，当我最终完成它时，我决定将其开源。 请注意，该项目尚未准备好实际应用。 由于在该项目上花费的时间有限，因此仅对代码进行了部分优化。 但是，在Mac上进行测试时，响应时间是完全可以接受的。 搭建环境 该项目是在Mac OS X 10.9.3上使用Xcode 5.0.2构建的，并且是通过OpenCV 2.4.8实施的。 由于它不使用特定平台的任何本机接口，因此可以轻松移植到其他平台，例如Windows，Linux，Android等。 如果要使用保存视频功能，则需要确保OpenCV编译时支持FFMPEG，否则请自己编译。 结果 以下两个图像显示了结果。 流程 首先，使用颜色检测和运动检测对输入图像进行分割，然后提取候选火焰区域。 使用高斯混合模型进行背景建模以检测运动像素。 使用基于RGB和HSV颜色空间的火焰颜色模型来检测具有类似火焰颜色的像素。 将以上两个步骤的结果相交，以获取候选区域。

Unity_Detection2AR 一种将对象定位合并到常规计算机视觉对象检测算法中的简单解决方案。 想法：没有太多的开源实时3D对象检测。 这是一个使用“更流行”的2D对象检测，然后使用几个特征点对其进行本地化的示例。 它使用最近发布的进行对象检测，并使用ARFoundation进行AR。 它可以在iOS和Android设备上使用。 目前支持微小的Yolo2和3。 要求 "com.unity.barracuda": "1.0.3", "com.unity.xr.arfoundation": "4.0.8", "com.unity.xr.arkit": "4.0.8", "com.unity.xr.arcore": "4.0.8" 用法 它是在Unity 2020.2.1中开发的，需要具有更新的AR包的产品就绪的梭子鱼。 梭子鱼的预览版似乎不稳定，可能无法正常工作。 在Unity