该资源为红外热成像数据集和标记好的XML文件，且仅对数据集中的人进行了标注，共有3493张红外热成像图片和对应标注好的3493个XML格式文件。该资源可用于深度学习中红外热成像人体的识别，且仅供学习和研究，不以盈利为目的；同时也希望能够促进基于深度学习的目标检测在红外热成像方面的发展。

基于卷积神经网络端到端的SAR图像自动目标识别源码。 端到端的SAR自动目标识别：首先从复杂场景中检测出潜在目标，提取包含潜在目标的图像切片，然后将包含目标的图像切片送入分类器，识别出目标类型。 目标检测可以用经典的恒虚警率（CFAR）,为了展现全卷积网络对于目标检测仍有良好的效果，选择采用两级全卷积网络，第一级用于目标检测，第二级用于目标分类。 采用MSTAR大场景数据集，尺寸为1476×1784，如下图所示： 由于大场景数据不包含目标图像，所以将许多大小为88×88像素的目标嵌入场景中，因为目标和场景都是同一个机载SAR系统获取的，标准工作条件（SOC）下的SAR图像，成像分辨率都是0.3m，所以可以手动添加目标到大幅场景中，目标切片和添加后的大场景如下图所示：

YOLOV4 训练自己的数据集，在yolov4源码的基础上修改后的代码

一类是two-stage，two-stage检测算法将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这一类的典型代表是R-CNN, Fast R-CNN, Faster R-CNN，Mask R-CNN家族。他们识别错误率低，漏识别率也较低，但速度较慢，不能满足实时检测场景。 另一类方式称为one-stage检测算法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度，比较典型的算法如YOLOv5，SSD，RetinaNet等。 FasterRCNN和yolov5可以说是目前最先进的两类算法，本次将使用FasterRCNN和yolov5训练飞机目标识别的项目

1、YOLO水下目标检测数据集，分为两部分,此为第二部分，7000多张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO系列的水下海产品目标检测；数据场景丰富；类别为starfish、holothurian、echinus、scallop、waterweeds 5个水产品类别目标 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

通常的侦察手段对于军事假目标的识别能力有限，文中提出了一种新的军事假目标识别方法。在介绍偏振成像机理的基础上，分析了偏振信息检测和强度信息检测在物理含义中的区别。提出了获得偏振度图像的方法，通过理论分析，能够很好地分辨真假目标，证明了文中方法的科学性和可行性，对军事假目标的检测有重要意义。

为了克服传统Hough变换检测圆时耗时巨大的缺陷，给出了一种新的基于Hough变换检测圆的快速算法。新算法与传统的方法相比具有以下特点：计算量少，提高了检测的速度；保留了传统Hough变换识别率高、抗噪性强、对不完整边缘具有鲁棒性等所有优点；不需要任何特殊的限定条件。实验表明，新的快速算法可以快速进行目标识别，在实时目标识别系统中具有良好的表现。

用于合成Kong径雷达目标识别的多视角双向LSTM网络

描述了图像目标识别的基本方法研究，主要从gabor及Adaboost两个方面来详细说明

目标睡意检测是计算机视觉的一个研究热点，随着未来教育日趋网络化，为了有效地提高学生网课学习质量，睡意检测系统对学生上课状态进行实时检测。 本系统基于OpenCv对学生面部进行定位，再通过Dlib内部实现的面部标志性检测器对学生面部特征进行提取，能够迅速有效地获取眼睛和嘴巴特征点的位置，再通过眼睛纵横比（Eye Aspect Ratio，EAR）和嘴巴纵横比（Mouth Aspect Ratio，MAR）结合计算帧数进行睡意判断。 （1）本系统需要对摄像头获取到的目标进行人脸检测与定位。 （2）此系统调用Dlib库的内部的预训练面部界标检测器用于估计映射到面部结构的68-(x,y)坐标位置,FACIAL_LANDMARKS_IDXS属性返回所需的坐标。 （3）此系统采用眼睛纵横比（EAR）与嘴巴纵横比（MAR）的方法进行对眼睛和嘴巴张合程度检测。通过多帧对比进行睡意检测，并对目标语音唤醒。