许多最新的显着性检测算法都依赖于border.prior，但是这些算法只是将图像周围的边界假定为背景区域。 在这里，我们提出了一种快速有效的显着目标检测算法。 首先，提出了一种新的方法，即利用哈里斯角的凸包对前景物体进行近似定位。 在此基础上，我们将不同区域的显着性值分为两部分，并生成相应的提示贴图（前景和背景），这些提示贴图被组合为凸包先验贴图。 然后，提出了一种基于到凸包中心的距离的新先验来代替该先验中心。 最后，将凸包先验图和凸包中心偏图合并为显着图，然后对其进行优化以获得最终结果。 与现有的18种算法相比，并在多个数据集上进行了测试，该算法在准确性和查全率方面表现良好。

PyTorch中的域自适应快速R-CNN 这是Haoran Wang（ ）实施的“用于野外物体检测的域自适应快速R-CNN”的PyTorch实现。 原始文件可以在找到。 此实现基于 @ 。 如果您发现此存储库有用，请引用以下原始论文： @inproceedings{chen2018domain, title={Domain Adaptive Faster R-CNN for Object Detection in the Wild}, author = {Chen, Yuhua and Li, Wen and Sakaridis, Christos and Dai, Dengxin and Van Gool, Luc}, booktitle = {Computer Vision and Pattern Recognition (CVPR)},

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks翻译

[C++面向对象高效编程](C++Effective.Object-Oriented.Software.Construction)扫描版.PDF [国外经典教材] C++ 经典书籍 都是网上找来的，我自己用的，放在这里备份。

Anaconda+Jupyter+Opencv:用于识别输入图像中的物体，属于有监督学习。

Object_Recognition_From_RGBD_Data：近年来，对象识别由于其众多的应用而引起了研究人员的越来越多的关注。 例如，对象识别使协作机器人能够执行诸如在非结构化环境中搜索对象或为人类同事检索工具之类的任务。 在这项研究中，我们提出了一种新技术，用于从红色，绿色，蓝色和深度（RGB-D）数据中进行无监督的特征提取，然后将其与多个分类器组合以执行对象识别。 具体而言，我们的体系结构首先通过无监督的聚类技术对桌面场景中的所有对象进行了细分。 然后，它分别关注每个对象，以提取形状和视觉特征。 我们对从YCB对象和模型集中选择的20个对象的子集进行实验，并评估几个分类器的性能

算术公式比较运算操作会话--JAVA 该项目是Arithemic /公式/比较计算（操作）和会话的一部分，功能有限，其中使用JAVA执行以下模块。 Compilar：Jetbeans的IntellJi IDEA

Delphi 10.4 Sydney 的Object Pascal 编程语言完整指南.pdf

自适应对象检测的Rebuild_Strong-Weak-Distribution-Alignment 这是个人论文的重建<用于自适应对象检测的强弱分布对齐>

面向服务的体系结构，使您的机器人源代码随着迭代的不断增长而井井有条，可扩展。