这是睡意检测数据集。根据眼睛是闭合还是睁开进行分类。 Drowsiness Detection Dataset_datasets.txt Drowsiness Detection Dataset_datasets.zip

DBSCAN异常检测 这是一种受DBScan算法启发的简单算法，但由于DBScan是随机启动的，因此适用于按顺序分析数据。 使用的数据集是一些Yahoo公开数据集，其中包含有关给定时间的Yahoo服务器的信息。 例如，在夜间，由于可能没有活动的用户，服务器的负载较少，但是在白天，由于用户处于活动状态，服务器的负载可能非常大。 主要目标是防止和识别系统异常。 该算法接收三个参数：需要训练的数据集，epsilon和minPts。 在本示例中，将minPts与值1一起使用是因为存在一个单一维度，并且算法从点到点移动并测量其值之间的距离。 最重要的参数是epsilon，因为它是算法测量新的簇或保持当前簇的阈值，当算法测量两个连续点之间的欧几里得距离时。 存在在线学习，因为当算法训练数据时，他能够同时识别出哪些点异常，因此它知道如何处理随机数据。 最具挑战性的部分是找到epsilon的最佳值

自己编写camera，实现camera preview， take picture并保存照片。同时基于opencv 2.4.8库，对保存的照片实现边缘检测。建议用Opencv2.4.8的库，不保证在其他opencv版本上能正常运行。

matlab图像分割肿瘤代码脑肿瘤检测的分水岭算法 该方法结合了分割和形态学运算，这是图像处理的基本概念。 使用MATLAB软件可以从大脑的MRI扫描图像中检测和提取肿瘤。 我们首先要集中精力创建一个程序，该程序需要很少的处理时间来获得结果。 执行代码 在matlab中打开代码 更改每个输入图像的目录图像5的示例I = imread（'C：\ Users \ Manjunatha \ Desktop \ 5.jpg'）; 运行代码

这是主要项目的纯源python版本（不含Flask） 判断篮球投篮 橙色：检测到箍 蓝色：检测到篮球 紫色：不确定的镜头 红色：小姐 绿色：射门进去了 检测到篮球和篮筐 适应曲线的篮球轨迹 连接的篮球检测点

Severstal：钢缺陷检测-Kaggle 准确度：89.5％| 排名1的90.8％ 排名：345/2427 战队：岩浆蓝调 ， ， 平板钢板的生产过程特别精细。 从加热，轧制到干燥和切割，几台机器在准备装运时就接触扁钢。 如今，谢韦尔（Severstal）使用高频摄像机的图像来驱动缺陷检测算法。 竞争涉及开发模型以对钢板上的表面缺陷进行定位和分类。

重新实现CRAFT-字符区域感知以进行文本检测 客观的 复制论文提到的弱监督培训 在所有流行的数据集上生成字符bbox。 使用命令行界面公开经过预训练的模型，以在自定义图像上合成结果 克隆存储库 git clone https://github.com/autonise/CRAFT-Remade.git cd CRAFT-Remade 选项1：Conda环境安装 conda env create -f environment.yml conda activate craft 选项2：Pip安装 pip install -r requirements.txt 在自定义图像上运行 将图像放在文件夹中。 从预先训练的模型列表中获取预先训练的模型（当前仅可使用SYNTH-Text进行严格监督） 运行命令- python main.py synthesize --model=./mo

使用自动编码器神经网络检测恶意URL 该存储库包含使用自动编码器神经网络检测恶意URL的代码源。 中提供了有关其工作原理的文章。 要构建和测试模型，可以运行： $ python train_and_test_urls_autoencoder.py 如果您想生成新的丰富数据，可以运行： $ python enrich_urls_data.py

作者Seven.Kay，国外检测原理课程教材；现代检测理论top教材

matlab由频域变时域的代码癫痫检测系统 该项目是HIT电气工程学士学位课程的最终项目。 项目详情 该项目描述了一项有关使用具有低通道数的EEG标记的癫痫检测系统的实验。 该系统利用机器学习分类器SVM，KNN和LDA（基于）在熵和能量特征上进行开发（基于）。在时间样本上以恒定大小的连续窗口进行操作，算法针对每个窗口从时域和常数能量中提取熵频域的频率边界。 标记为癫痫发作的每个窗口均会激活分类器。 训练算法 测试算法 特征提取 该项目用于学习和测试项目结果。 里面什么 代码 -算法的主文件。 -Chack参数值。 -从CHB-MIT数据集中加载文件。 -第三方代码。 -解析摘要癫痫发作文件以找到癫痫发作索引。 -将文件内容排序为全局结构。 -拆分脑电图结构以训练测试。 -删除了嘈杂的频道算法。 -从训练结构中提取数据集。 -从训练结构生成数据集。 -提取熵和能量特征。 -从测试结构中提取数据集。 -从测试结构生成数据集。 -提取熵和能量特征。 -使用分类器SVM，KNN和LDA分析数据集。 -保存并绘制结果 资料夹 -包含第三方代码。 -包含中保存的数据集，如果文件存在，则算法将跳过