DCN和cascade在DOTA数据集上训练的代码、模型、精度误差曲线等全部数据

cascade_rcnn_dconv_c3-c5_r50_fpn_1x_20190125-dfa53166.pth深度学习公开模型文件。使用coco数据集训练。

Cascade 允许您使用基于 Web 的表单轻松维护基于 Web 的类似 Yahoo 的资源目录。

带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载

OpenCascade类名及功能分析

Opencv使用cascade方法训练自己的LBP特征分类器的全过程-附件资源

Rapid Object Detection using a Boosted Cascade of Simple Rapid Object Detection using a Boosted Cascade of Simple

Haar级联的车辆检测 最后页面更新时间： 2016年10月19日 最新版本： 1.0.0 （有关更多信息，请参见发行说明） 大家好，执行车辆检测的一种简单方法是使用Haar Cascades。 当前，我没有关于它的详细教程，但是您可以在OpenCV主页上获得一些其他信息，请参阅页面。 另请参阅以训练您自己的级联分类器。 haar-cascade cars.xml是使用来自后方的526张汽车图像（360 x 240像素，无比例缩放）进行训练的。 这些图像是从布拉德·菲利普（Brad Philip）和保罗·厄普代克（Paul Updike）提出的Car数据集中提取的，该数据集取自南加州的高速公路。 有关更多信息，请参见： 训练自己的OpenCV Haar分类器 相关论文： 奥利维拉，M。 Santos，V.使用类似Haar的功能自动检测实际道路上的汽车（ ） 一些其他资源：

1、提供二维和三维几何造型建模的工具：创建持久化的类，诸如：棱镜、圆柱、圆锥、圆环；演示布尔操作(加法，减法和交叉)；应用嵌条，倒角和拉伸来拉伸结构；采用冲抵，去壳，变空，扫描制造结构模型；计算表面特性诸如表面、体积、重心、曲率；用投影，插值，近似计算几何体；管理实现对象的显示与操作行为的可视化服务，如三维旋转、变焦、遮光等操作。 　　2、应用框架主要有非几何应用数据和几何学的融汇、模型参数化以及创建图形用户界面的框架（GUI）等特色。 　　3、提供CASCADE模型输入输出功能和标准版的数据交换功能，如IGES和STEP。由于OCC技术是一个开源的软件开发平台，因此在数值建模软件如CAD\CAE\CAM的开发上得到了广泛的应用。

使用1500张佩戴口罩的图片和5000张没有佩戴口罩的图片训练成，识别精度高