google EfficientDet 算法中文版paper.将高效网络骨架与我们提出的BiFPN 和复合尺度相结合，我们开发了一种新的对象检测器家族，称为高效Det，它始终以比以前的对象检测器更少的参数和FLOP 来获得更好的精度。图和图形显示COCO 数据集上的性能比较。在类似的精度约束下，我们的有效DET使用的FLOP 比YOLOv3 少28 倍，FLOP 比RetinaNet 少30倍，FLOP 比最近基于ResNet 的NAS-FPN 少19 倍。特别是，在单模型和单测试时间尺度下，我们的高效Det-D7 实现了最先进的53.7AP 和52M 参数和325B FLOP，在1.5AP的情况下优于以前最好的检测器，而在4 倍小和使用13 倍少的FLOP。我们的高效DET 在GPU/CPU 上也比以前的检测器快4 倍至11 倍。

TensorFlow实施RFCN 论文可在。 建造 ROI池和MS COCO加载程序需要首先进行编译。 为此，请在项目的根目录中运行make。 如果需要特殊的链接器/编译器选项，则可能需要编辑BoxEngine / ROIPooling / Makefile 。 注意：如果您的系统上有多个python版本，并且要使用与“ python”不同的版本，请在调用make之前提供一个名为PYTHON的环境变量。 例如：PYTHON = python3 make 尝试加载.so文件时，可能会遇到未定义的符号问题。 如果您自己构建TensorFlow版本，而Makefile无法自动检测到您的ABI版

Nonlinear optical properties of stimulated Brillouin scattering (SBS) to signal detection in water are analyzed. With the threshold characteristics, SBS only occurs when the high power laser is focused in the SBS cell. When there is an object present in front of the focus, it leads to lower incident intensity and then SBS does not occur. The backward SBS signal depends on the focusing location. The nonlinear optical properties of SBS process in the focusing regime are analyzed theoretically. Wit

英文版电子书下载：Object Recognition

本文设计了一种基于支持向量机（SVM）的运动目标识别算法，以对运动目标进行准确的识别和分类。 鉴于支持向量机在小样本，非线性和高维模式识别方面的优势，构造了一种基于支持向量机的分类器。 利用形状特征构成的特征向量分类样本对支持向量机进行训练和分类，结合支持向量机和二叉决策树形成多分类器。 对象特征向量用作SVM的输入，我们将使用分类器对检测到的运动对象进行分类。 实验结果表明，该算法能够准确识别和分类视频图像中的不同对象。

Visual Object Net++一款入门级的模拟软件，用于Petri网建模仿真的软件，支持时间以及混杂网。

结合图像处理技术和概率数据关联（PDA）运动模型，我们开发了一种新颖的框架来解决噪声背景不佳的非机电系统的对象跟踪问题。 新模型具有两个优点：（1）通过集成统计运动模型，可以比现有模型更精确地模拟许多非机电系统中的对象运动。 （2）由于采用了全局搜索的最佳模型参数，与依赖连续帧区分的其他方法相比，该模型更好地在高噪声环境中跟踪对象。 我们在提出的模型中推导了期望最大化（EM）算法。 合成数据和图像数据集都证明了其有用性。 引入了模型稳定性以量化模型的实用性。

Computing object-based saliency via locality-constrained linear coding and conditional random fields

iOS实现毛玻璃效果

FreeAnchor:Learning to match anchors for visual object detection论文翻译