程序是基于Matlab实现的，对于初学者，通俗易懂，直接下载就可以用，如果电脑的GPU性能不佳的情况下，利用Matlab可以实现YOLOV3的算法对目标识别。

对海雷达目标识别中全极化 HRRP 的特征提取与选择

该工程把yolov5与deepsort相结合，将yolov5算法识别出的目标进行唯一标记，适用于对视频中的移动目标进行实时的识别与追踪，使用opencv库中的算法进行撞线检测和计数，用户可以根据自己的需要更改相应的代码部分来满足实际开发过程中的不同需求，不用下载额外的资源包，直接使用yolov5的虚拟环境即可将本项目run起来，十分的好用

1、数据集图片一共1316张，未做数据增强，标签格式有两种，分别为voc格式(xml文件)和yolo格式(txt文件)，下载后需要做数据增强的，可以私信我。 2、数据集亲自收集、爬取，亲手标注，质量还不错。 3、该数据集属于目标检测数据集，可以筛选出制作分类数据集。 备注：使用过程有问题可以私信我

1.区域入侵检测是通过识别目标之后或者目标坐标位置，判断目标坐标是否在所规定的区域内出现，使用在电子围栏，不安全区域入侵检测，智慧城市，安防监控等领域。 2.这里的编译环境是Win 10, vs2019,OpenCV4.5, 目标检测算法用的yolov5,实现语言使用的语言是C++。 3.算法实现与项目配置可以参数我的博客：基于目标识别的区域入侵检测——C++实现从获取区域到检测入侵目标

1.领域：matlab，VGG16深度学习网络 2.内容：基于VGG16深度学习网络目标识别matlab仿真,输出识别混淆矩阵+代码仿真操作视频 3.用处：用于基于VGG16深度学习网络目标识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

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