SSD：单发MultiBox检测器 介绍 这是我的2种模型的pytorch实现： SSD-Resnet50和SSDLite-MobilenetV2 。 这些模型基于论文描述的原始模型（SSD-VGG16）。 此实现支持混合精度训练。 SSD Resnet50的输出示例。 动机 为什么在已经有许多ssd实现的情况下存在此实现？ 我相信许多人在看到此实现时都会想到这个问题。 实际上，Pytorch中已经有许多SSD及其变体的实现。 但是，其中大多数是： 过于复杂 模块化 增加了许多改进 未评估/可视化 以上几点使学习者难以理解原始ssd的外观。 因此，我将重点放在简单性上来重新实现这个众所周知的模型。 我相信此实现适合不同级别的ML / DL用户，尤其是初学者。 与本文中描述的模型相比，有一些小的更改（例如主干），但是其他部分严格遵循本文。 数据集 数据集 班级 ＃火车图片 ＃验证图片

复杂的YOLOv4 本文基于YOLOv4的PyTorch实现： 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 使用旋转框的损失进行优化。 更新2020.08.26 ： 更快的训练，更快的推理 无锚的方法 无需非最大抑制 示范（在GTX 1080Ti上） 2.入门 2.1。要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyne点云（29 GB） ：将数据输入到Complex-YOLO模型 对象数据集的训练标签（5 MB） ：Complex-YOLO模型的输入标签 对象数据集的摄像机校准矩阵（16 MB） ：用于可视化预测 对象数据集的左侧彩色图像（12 GB） ：用于可视化预测 请确保您按照以下方式

本文讨论了使用机器学习进行恶意软件分类的方法，问题和解决方案。 可以相信，被释放的恶意软件的数量可能会超过权威软件的释放。 由于恶意软件每年都会变得越来越复杂，因此需要从传统方法转变为使系统自动学习。 这里的主要重点是研究机器学习方法以及它们的检测和分类问题。 说明了特征选择和高假阳性问题，并提出了解决方案。 然后将操作码，n-gram操作码，基于图像的分类技术进行比较。 这些方法将有助于清除恶意软件并将其分类到其家族中。 与常规操作码和基于图像的分类器相比，使用n-gram操作码分类时基于准确性的结果更好，但是使用集成方法结合了这两种方法的优点，例如，过拟合和FPR较低，最终结果显示出分类精度更高和提供总体上更好的恶意软件分类。

cvpr2014 论文saliency optimization from robust background detection的代码

视觉显著性

介绍了一特别是基于treelet特征融合的遥感图像变化检测方法，内部含有MATLAB代码

yolov3-vehicle-detection-paddle 我的博客地址： vehicle-detection based on yolov3（基于paddle的YOLOv3车辆检测和车辆类型识别） 今天我们使用 Paddle 开源的两个工具：PaddleDetection 和 X2Paddle 来进行一个车辆检测和类型识别的小demo~ 源码地址： 最终的检测效果如图： 一. PaddleDetection 简介： 源码地址： 官方文档： PaddleDetection 创立的目的是为工业界和学术界提供丰富、易用的目标检测模型。不仅性能优越、易于部署，而且能够灵活的满足算法研究的需求。 简而言之就是，该工具使用百度开源的 Paddle 框架，集成了多种图像识别和目标检测框架，并且提供了相应的训练、推理和部署工具，使得用户可以自己 DIY 数据集和模型细节，实现深度学习落地应用的快速部

变形金刚 作者：*，*，*，*，，，和。 此回购协议是的正式实现。 当前，它包含用于以下任务的代码和模型： 图像分类：包含在此仓库中。 有关快速，请参见 。 对象检测和实例分割：有关对象检测，请参见 。 语义分割：有关语义分割的信息，请参见 。 更新 2021年4月12日 初始提交： 提供了ImageNet-1K（ ， ， ）和ImageNet-22K（ ， ）上。 提供了用于ImageNet-1K图像分类，COCO对象检测和ADE20K语义分割的受支持代码和模型。 在分支提供了用于的cuda内核实现。 介绍 欧亚变压器（名称Swin代表对于s hifted赢得DOW）最初描述 ，其干练作为一个通用的骨干，为计算机视觉。 它基本上是一个分层的Transformer，其表示是通过移动窗口来计算的。 通过将自注意计算限制为不重叠的局部窗口，同时允许跨窗口连接，移位的窗

pytorch-faster-rcnn 1.简介 基于Pytorch的快速rcnn框架的实现。有关更快的R-CNN的详细信息，请参阅论文《 ，作者邵少青，何开明，Ross Girshick，孙健 此检测框架具有以下功能： 它可以作为纯python代码运行，也可以基于pytorch框架纯运行，无需构建 仅运行train.py脚本即可轻松进行培训，只需设置数据根目录 它有许多骨干网。 像vgg，resnet-fpn，mobilenet，高分辨率网络（HRNet） 它可以是一个真正的检测框架。 您只需要在配置文件中更改超级参数，并获得不同的模型来比较不同的模型 它的内存效率高（vgg16约为3GB） 2.安装 2.1先决条件 Python 2.7或3.5 火炬1.5.1 火炬视觉0.6.1 numpy的1.15.4 枕头6.1.0 pycocotools 2.0 matplotl

OSSEC是基于主机的入侵防护开源解决方案，本手册通过虚拟的业务场景描述OSSEC的主要功能、特性以及日常管理运维的方法。