僵尸网络检测 僵尸网络拓扑检测数据集和图神经网络自动检测。 覆盖在正常背景网络流量上的不同僵尸网络拓扑的集合，其中包含用于归纳学习的相对较大规模的无特征图。 安装 从来源 git clone https://github.com/harvardnlp/botnet-detection cd botnet-detection python setup.py install 加载僵尸网络数据 我们提供标准且易于使用的数据集和数据加载器，它们可以自动处理数据集重载以及标准数据拆分，并且可以通过指定graph_format参数与大多数图学习库兼容： from botdet.data.dataset_botnet import BotnetDataset from botdet.data.dataloader import GraphDataLoader botnet_dataset_trai

kdd99-scikit scikit-learn使用决策树（CART）和多层感知器解决kdd99数据集的解决方案 Kdd99数据集简介 是建立一个网络入侵检测器，这是一种能够区分“不良”连接（称为入侵或攻击）和“良好”正常连接的预测模型。 请注意，测试数据并非与训练数据具有相同的概率分布，并且包括不在训练数据中的特定攻击类型。 训练数据快照（ raw/kddcup.data_10_percent.txt ）： 0,tcp,http,SF,181,5450,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8,0.00,0.00,0.00,0.00,1.00,0.00,0.00,9,9,1.00,0.00,0.11,0.00,0.00,0.00,0.00,0.00,normal. 0,tcp,http,SF,239,486,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8,0.00,0.00,0.00,0.00,1.00,0.00,0.00,19,19,1.00,0.00,0.05,0.00,0.00,0.00,0.00,0.00,norm

监控视频中的真实世界异常检测：Pytorch RE实施 该存储库是使用pytorch重新实现的“监视视频中的真实世界异常检测”。 重新实施的结果是，与相比，我们获得了更高的AUC。 数据集 下载以下数据并解压缩到您的$ DATA_ROOT_DIR下。 / workspace / DATA / UCF-Crime / all_rgbs 目录树 DATA/ UCF-Crime/ ../all_rgbs ../~.npy ../all_flows ../~.npy train_anomaly.txt train_normal.txt test_anomaly.txt test_normal.txt 训

目标检测论文解读1：（RCNN解读）Rich feature hierarchies for accurate object detection...-附件资源

雷达波形设计matlab代码雷达目标的产生与检测 Udacity的传感器融合工程师纳米学位计划项目 项目目标 这是基于MATLAB的雷达目标生成和检测实现，可用于： 使用提供的雷达设计规范进行FMCW波形设计 运动目标生成 信号传播 接收信号处理 距离多普勒FFT实现 CFAR检测 实施注意事项 该实现非常简单，以下是一些详细信息/说明： 1.雷达规格 规格已预先提供，并在下面列出： %% Radar Specifications %%%%%%%%%%%%%%%%%%%%%%%%%%% % Frequency of operation = 77GHz % Max Range = 200m % Range Resolution = 1 m % Max Velocity = 100 m/s 2.目标指标 对于目标参数，我使用以下值： %% User Defined Range and Velocity of target initial-position = 100 m initial-velocity = 25 m/s 3. FMCW波形生成 为此，标准的带宽和线性调频公式被用于。 下图

VisDrone（无人机航拍图像目标检测）的对象检测 我的环境 1，Windows10（可使用Linux） 2，tensorflow> = 1.12.0 3，python3.6（anaconda） 4，cv2 5，合奏盒（pip安装合奏盒） 数据集（训练集的XML格式） （1）。数据集可从（2）。请在（提取码：ia3f）或上下载xml批注，然后在./core/config/cfgs.py中进行配置（3）。您还可以使用./data/visdrone2xml.py生成您的visdrone xml文件，修改路径信息。 training-set format: ├── VisDrone2019-DET-train │ ├── Annotation(xml format) │ ├── JPEGImages 预训练模型（ResNet50vd，101vd） 请在（krce）或上下载

颜色分类leetcode 深度宫颈癌：使用深度学习进行宫颈癌分类 概述 SIPakMed 数据集上宫颈癌分类的深度学习框架，可提高 PAP 涂片​​检查评估和癌症预后的准确性 简要总结 作为 ETH 项目的一部分，基于来自 PAP 测试涂片的细胞显微图像开发了用于宫颈癌检测和分类的深度学习框架。 该项目的目的是为医生提供一个有用的工具，以快速检测患者是否已经发展或有发展为宫颈癌的危险。简单地说，它构成了女性患者宫颈癌检测和预后的快速工具。 数据集 该模型将在 Pap 涂片图像中的正常和病理宫颈细胞的基于特征和图像的分类的新数据集上进行训练。 数据集可下载 该数据集由996张巴氏涂片（全片图像）的簇细胞图像组成，有5个宫颈细胞分类类别； a) 角化不良 b) Koilocytotic c) 化生性 d) 副基底层 e) 浅中级。 总体而言，该项目侧重于基于整个幻灯片显微细胞图像（不仅仅是裁剪的细胞图像，而是整个幻灯片）的 5 类分类分类 程序 下载 SIPakMed 数据集 SIPakMed 数据集结构需要类似于下图所示的结构。 使用“implementation_DatasetDivi

我使用 Harris 算法找出棋盘上的角点。

advance活体检测Android sdk包

advance liveness detection