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

英文| [简体中文]（ ） 表面缺陷检测：数据集和论文 :horse: :chart_increasing:在表面缺陷研究领域不断总结开源数据集非常重要。收集并汇编了2017年以来的重要重要论文，可以在 文件夹。 :whale: 数据集下载： | 介绍 目前，基于机器视觉的表面缺陷设备已在3C，汽车，家用电器，机械制造，半导体和电子，化学，制药，航空航天，轻工等多个行业的各个领域中广泛取代了人工视觉检查。基于机器视觉的传统表面缺陷检测方法通常使用常规图像处理算法或人为设计的特征以及分类器。一般而言，成像方案通常是通过使用被检查表面或缺陷的不同属性来设计的。合理的成像方案有助于获得照明均匀的图像，并清晰地反映物体的表面缺陷。近年来，许多基于深度学习的缺陷检测方法也已广泛用于各种工业场景中。 与计算机视觉中清晰的分类，检测和分割任务相比，缺陷检测的要求非常普遍。实际上，它的要求可以分为三个不同的级别：“缺陷是什么”（分类），“缺陷在哪里”（

使用OpenVINO进行面罩检测 细节 程式语言： 英特尔OpenVINO工具套件： Docker（预装了Ubuntu OpenVINO）： 使用的硬件： 英特尔:registered:酷睿TM i7-8750H CPU @ 2.20GHz 设备： 中央处理器 博客文章 参观者 面罩检测应用程序使用深度学习/机器学习来识别用户是否未佩戴口罩并发出警报。 通过使用经过预训练的模型和带有OpenCV英特尔OpenVINO工具包。 这使我们能够使用异步API，该API可以提高应用程序的总体帧速率，而不必等待推理完成，而是可以在加速器繁忙时继续在主机上运行应用程序。 此应用程序对同时运行的“面部遮罩检测”和“面部检测”网络执行2个并行推理请求。 使用以下一组预训练的模型： ，这是用于查找人脸的主要检测网络。 面罩检测，这是用于检测面罩的预训练模型。 可以改进此应用程序，然后将其与CCTV或其他类型的摄像机集成在一起，以检测和识别在购物中心等公共场所没有面具的人。在全球范围内，这种数量不断增长的COVID-19案例在控制应用中可能很有用。病毒传播。 什么是Open

触发字检测 实现用于触发词检测的算法（有时也称为关键字检测或唤醒词检测）。 触发词检测是一项技术，可让诸如Amazon Alexa，Google Home，Apple Siri和Baidu DuerOS之类的设备在听到某个特定单词时醒来。

IEEE-CIS Fraud Detection Dataset.The data comes from Vesta's real-world e-commerce transactions and contains a wide range of features from device type to product features. IEEE-CIS欺诈检测数据集，数据来自Vesta的现实世界电子商务交易，包含从设备类型到产品功能的多种功能。 sample_submission.csv test_identity.csv train_identity.csv test_transaction.csv train_transaction.csv

Fundamentals+of+Statistical+Signal+Processing,+Volume+I+-+Estimation+Theory

Traffic_Sign_detection 完成交通标志的识别分类（基于GTSBR数据），测试数据集上达到98.84%的准确率 检测部分的特征提取层包含YoloV2,yoloV2Tiny,yoloV3,MobileNet,SqueezeNet,ShuffleNet,And a Structure deSign by me:S-MobileNet 分类和检测的训练测试详情见:classify/readme.md detection/readme.md 需要weights详见： --- 2018.06.15本科毕设答辩结束，该repo不再更新（也许还会再去做一下，毕竟这个repo确实比较dirty）

matlab精度检验代码通过卷积神经网络（CNN）检测黑素瘤 该项目的目的是创建一个卷积神经网络（CNN），将皮肤病变的皮肤镜图像分类为黑色素瘤或非黑色素瘤。 皮肤镜图像是使用显微镜和照明的皮肤图像。 动机 黑色素瘤是最致命，最具侵略性的皮肤癌。 预计到2018年，皮肤黑色素瘤将在美国造成9,320例死亡。 但是，如果黑色素瘤是早期发现的，则5年生存率约为99％。 因此，在转移之前，黑素瘤的早期检测对于患者的生存至关重要。 黑色素瘤是由位于皮肤表皮中的黑色素生成细胞（黑色素细胞）的快速生长演变而来的。 尽管只能通过活检才能确定黑色素瘤，但通常使用助记符“ ABCDEs”在现有或新痣（通常称为“痣”）中进行视觉识别： 不对称–病变形状不规则或不对称。 边框–边缘不规则且难以定义。 颜色–存在不止一种颜色或颜色分布不均。 直径–直径大于6毫米。 不断发展–病变的颜色和大小随时间而改变。 建于 TensorFlow 凯拉斯 Python MATLAB的深度学习工具箱 楷模 为此项目探索了两种CNN架构： 使用Keras，TensorFlow和Python从零开始构建的简单CNN。 使用MAT

高光谱异常检测： 这是用于高光谱异常检测的matlab代码（LSAD-CR-IDW和LSUNRSORAD算法） 有关此项目的更多信息，请参阅我们的论文： [共同第一作者] 先决条件： Matlab R2018b 其他相关论文： [1]tanh坤，苏增福侯，Dongelei马云，虞陈，钱渡。 [J]。 遥感，2019，11（13）：1578. [第一作者] [2]侯增福，李伟，高连如，张兵，马鹏格和孙俊林。 （2020）[口服] [3]侯增福，李伟，陶然，马鹏哥和石卫华。 中国科学信息科学。 2020年。 我的个人网站： 1.Github网站： ://zephyrhours.github.io/ 2.Personal Websie： ://zephyrhoublog.ml/（此网站将于2021年5月15日停用！） 3，中文CSDN博客： ://blog.csdn