motion_detection_cpc 此存储库提供了使用语音作为输入的情感识别系统的代码。 通过使用对比预测编码（CPC）训练的自我监督表示，可以提高性能。 使用CPC时，结果的准确度从71％的基线提高到80％，这是30％的相对显着误差降低。 博客在这里： : 初始设置 安装依赖项 virtualenv -p python3.7 venv source venv/bin/activate make deps 下载资料 wget https://zenodo.org/record/1188976/files/Audio_Speech_Actors_01-24.zip $HOME/RAVDESS/Audio_Speech_Actors_01-24.zip unzip $HOME/RAVDESS/Audio_Speech_Actors_01-24.zip 创建训练，验证和测试数据

TE故障检测数学代码用于故障检测的动态图嵌入 论文“用于故障检测的动态图嵌入”的代码 Matlab版本应晚于R2015b 演示代码可在目录“ Matlab_code”中找到。 开发它们以对故障1的数据进行故障检测。开发文件“ myConstructW.m”以获得等式（6）的相似性。 在文件中，我们根据本文中的等式给出注释。 主程序“ myfunction_tensorLPP_markov_paper.m”可以直接运行。 “ TensorLGE.m”和“ TensorLPP.m”是主程序所需的代码。 “ TensorLGE.m”和“ TensorLPP.m”都是由邓凯（Deng cai）设计的，邓蔡是发表在《神经信息处理系统18》（NIPS 2005）上的论文“ Tensor子空间分析”的第二作者。 文件“ kde.m”是内核密度估计的代码，用于确定T2和SPE统计信息的控制限制。 “ File_published_by_matlab_in_PDF.pdf”是运行结果以及使用MATLAB:registered:R2015b发布的代码。 “ Files_and_results_published_by_matl

基于推测度传播的同步CDMA多用户检测器，程宏，谢俗子，本文提出了基于可信度传播算法应用于同步CDMA系统的检测器以抑制不同用户之间的多址干扰（MAI）。仿真分析表明基于该算法的差错概��

android 结合 opencv项目（人脸识别）

心房纤颤检测血液压力监测仪示波法 该项目是一种采用示波法的电子血压计研究平台，包括SBP和DBP估计算法，心房颤动检测算法，校正曲线，用于微调BP算法的GUI工具等，这仅是研究用途。 血压测量示波法 示波法于1876年首次被证实，它涉及观察血压计袖带压力的波动，该波动是由血流的振荡引起的。它采用了血压计袖带，与听诊法一样，但是带有一个电子压力传感器（换能器）观察袖带压力的波动，电子设备自动对其进行解释，以及袖带的自动充气和放气。 压力传感器应定期校准以保持精度。 对相关解剖学，生理学和物理学的新分析揭示了袖带压力振荡产生的潜在机制，以及从任何个体的振荡包膜中提取收缩压和舒张压的方法。 可以从包膜形状中提取出受压动脉段的刚度特征，以创建个性化的数学模型。 使用可能的收缩压和舒张压值矩阵对模型进行测试，观察和预测的包络函数之间的最小最小二乘方差表明测试矩阵内收缩压和舒张压的最佳拟合选择。

叉子

PNDC 肺结节的检测与分类 Extra Codes Will be updated soon! 深度学习胸部X线断层扫描图像中孤立性肺结节患者的肺癌诊断算法 \ 细节 抽象的 深度神经网络可检测孤立的结节，并根据胸部CT（计算机断层扫描）图像对结节是否为癌症进行分类。 在该项目中，深度神经网络基于CNN，包括反卷积层和解集层，用于分类和分段。 网络 演示版 原始预测 数据集 肺图像数据库联合会图像收集（LIDC-IDRI）包括诊断性和肺癌筛查性胸部X线断层扫描（CT）扫描，并标明带注释的病变。 它是可通过网络访问的国际资源，用于开发，培训和评估用于肺癌检测和诊断的计算机辅助诊断（CAD）方法。 由美国国立癌症研究所（NCI）发起，并由美国国立卫生研究院（FNIH）基金会进一步推动，并在食品药品监督管理局（FDA）的积极参与下，这种公私合作伙伴关系证明了一项成功的研究成果。建

YOLOv5_DOTA_OBB 带有CSL_label的DOTA_OBB数据集中的YOLOv5。（定向对象检测） 数据集和预先训练的检查点 Datasets ： Pretrained Checkpoint or Demo Files ： 。（6666） 。（6666） 。（6666） 。（6666） 。（6666） 。（6666） 功能性 train.py 。火车。 detect.py检测并可视化检测结果。获取检测结果txt。 evaluation.py 。合并检测结果并将其可视化。最后评估探测器 安装 1.安装了所有requirements.txt依赖项的Python 3.8或更高版本，包括torch> = 1.7。要安装运行： $ pip install -r requirements.txt 2.安装swig $ cd \.....\yol

Comparing the differences between Faster RCNN and RPN+BF in pedestrain detection By zyq&cyq Introduction 行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。随着深度学习的性能的优越性，将深度学习的方法应用到行人中以提高检测准确率。本工程分别采用Faster R-CNN和RPN+BF网络，对Caltech数据集进行训练和测试，并比较两者的结果。 This code has been tested on Ubuntu 16.04 with MATLAB 2014b and CUDA 7.5. Citing RPN+BF @article{zhang2016faster, title={Is Faster R-CNN Doing Well for Pedes

Congestion detection in lossless networks.pdf