目前，基于深度学习的目标检测方法主要有两大分支，分别是基于区域提取的两阶段目标检测模型和直接进行位置回归的一阶段目标检测模型。 故本项目通过采用深度学习方法实现对吸烟行为的目标检测，使用python语言搭建YOLO算法实现对吸烟行为的实时监测。 YOLO算法将整幅图像分为了多个网格单元，对每个网格中心目标进行检测，该算法不用生成候选区域，在一个卷积网络中就可以完成特征提取、分类回归等任务，检测过程得到了简化，检测速度也变得更快，但该算法对于小尺度目标的检测不够准确，如果图像中存在重叠遮挡等现象就可能出现遗漏。

人的姿态检测，尤其是老年人的行为监护，比如站，坐，躺，以及摔倒等。

gUnet源码，Rethinking Performance Gains in Image Dehazing Networks源码 我们不打算提出一个具有奇特模块的去雾网络；相反，我们对流行的U-Net进行了最小的修改，以获得一个紧凑的脱雾网络，这是论文的源码。

基于深度学习的辅助驾驶系统中行人检测跟踪研究.caj 基于深度学习的辅助驾驶系统中行人检测跟踪研究.caj

Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. 2016. Deep residual learning for image recognition. In CVPR. 770–778. 论文原文

在gpu上运行darknet的环境配置脚本文件，适用操作系统为ubuntu系列。 脚本运行前请确认显卡驱动已安装，同时cudnn文件已下载并放在主目录下。 只需一条命令运行shell脚本，脚本会自动帮我们安装darknet、opencv、cuda、cudnn等环境，并自动进行编译和检测，最后输出检测图片。脚本运行中会自动打开Makefile文件，手动修改GPU=1，CUDNN=1，OPENCV=1，OPENMP=1，保存并关闭文档即可 详细博客介绍见https://blog.csdn.net/lishan132/article/details/106801863

算法处理，图像处理，机器学习，深度学习图像批量修改名称必备软件，批量命名实用软件，下载直接运行，免安装！

yolo配置 pytoch

针对电力设备巡检智能化水平较低的现状，文中将增强现实（Augmented Reality，AR）技术应用于电力设备巡检过程。文中从智能巡检终端、服务器与数据库3个层面构建了基于AR技术的电力设备智能巡检系统架构。提出基于AR技术和深度神经网络（Deep Neural Networks，DNN）算法的电力设备故障识别方法，将智能巡检终端采集的图像作为输入，在线识别电力设备可能存在的故障类型。通过仿真测试表明，所提方法故障识别时间与支持向量机（Support Vector Machine， SVM）与BP神经网络（Back Propagation-Neural network， BP-NN）算法相近。但是各类故障识别准确率均大于98%，大于SVM与BP-NN算法，所提方法能够快速准确地识别电力设备故障类型。

BM3D代码matlab denoising_dl 基于深度学习和其他机器学习方法的图像或视频降噪。 该程序将探索许多神经网络对静止图像进行降噪，并且将来还将扩展到视频降噪。 当前，已实现具有批处理归一化的MLP / CNN / CNN。 比较的黄金程序是BM3D，python版本来自：。 经过测试，最终结果与BM3D matlab不同。 让我们使用matlab作为参考代码。 原始python代码git：原始BM3D是matlab版本，在这里： 有一些BM3D源代码：VapourSynth-BM3D：这是围绕Marc Lebrun的BM3d实现的python包装器：