Alum_surface_defect_detection 这包括我天池比赛的代码： 。 （阿里巴巴公司持有） 比赛旨在利用计算机视觉技术帮助工人检查他们的铝表面产品是否有任何缺陷，如斑点、划痕等。 Season1（分类）排名：96/2972 我发现非常有用的： InceptionV4(pytorch) 合并投票（类似于装袋） 好的迭代步骤 一般般： 数据增强（水平翻转） 集成（Xception、Resnet50、InveptionV3） 降低我的测试帐户 所有其他增强。 特别是随机旋转（0~8，角度越大，acc越差）） Season2（本地化）排名：10/2972 我发现非常有用的： FasterRcnn&FPN(检测器) 更大的调整大小（maskrcnn 为 960，FasterRcnn 为 800） 投票 亚当而不是新元 降低门槛 一般般： Mask-Rcnn(

A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images 深度监督影像融合网络DSIFN用于高分辨率双时相遥感影像变化检测 Official implement of the Paper：A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images. If you find this work helps in your research, please consider citing: 论文《A deeply supervised image fusio

该存储库包含在《会计研究杂志》上发表的论文中使用的数据和代码。 如果您在研究中使用我们的数据和代码，请引用我们的论文，如下所示： 杨宝，柯斌，李斌，余嘉莉和张杰（2020）。 。 会计研究杂志，58（1）：199-235。 数据说明表 1.描述哪些作者处理了数据并进行了分析。 Yang Bao和Julia Julia处理了数据。 杨宝，宾科，李斌和余嘉莉共同进行了分析。 2.关于如何获取或生成原始数据的详细说明，包括数据源，下载或获取数据的特定日期以及用于生成数据的工具（例如，用于调查或实验）。 我们建议一位以上的作者能够为原始数据的所述来源提供担保。 本文使用档案数据。 数据主要来自可商购的来源。 详情如下所示。 AAER数据：我们最初的会计欺诈样本来自美国加州大学伯克利分校财务报告和管理中心（CFRM）编制的SEC的会计和审计执行公告（AAER）。 本文当前版本中使用的AA

感性 该存储库包含以下论文的PyTorch实现：GANomaly：通过对抗训练进行半监督异常检测 1.目录 2.安装 首先克隆存储库 git clone https://github.com/samet-akcay/ganomaly.git 通过conda创建虚拟环境 conda create -n ganomaly python=3.7 激活虚拟环境。 conda activate ganomaly 安装依赖项。 conda install -c intel mkl_fft pip install --user --requirement requirements.txt 3.实验 要在纸上为MNIST和CIFAR10数据集复制结果，请运行以下命令： # MNIST sh experiments/run_mnist.sh # CIFAR sh experiments/run

FAST算法原作者在2010年提出的改进算法FAST-ER，提高角点检测的重复率。这里是英文原文。我的博客里有FAST-ER的详解，欢迎相互交流>_<

matlab分时代码动态模式分解（DMD）用于视频中的前景检测 由J.Barhydt 1 华盛顿大学华盛顿州西雅图市98195 概述： 动态模式分解（DMD）已经成为分解非线性系统以对基本动力学建模的不可思议的价值工具。 DMD提供的模式集与其他降维方法不同，例如奇异值分解（SVD）和主成分分析（PCA），因为DMD提供了基础模式的振荡时间分辨率，因此每个模式都包含时空信息。 振荡行为在许多物理系统中均会出现，从而使DMD分析具有更大的“捕获”这些动力学的能力。 在本文中，假设背景比移动和变化的前景具有更多的固定时间动态，则使用DMD将视频流中的前景与背景分离。 1-此报告使用扩展的Yale Faces B数据库： 简介与概述 ================================= 前景检测是人类（以及许多动物）可以很自然地完成的任务。 看过电影《侏罗纪公园》的任何人都可以证明霸王龙检测前景的能力很弱。 从某种意义上说，DMD方法的功能将非常相似。 通过将视频分解为基本的时空模式，DMD方法允许人们“挑选”具有最低振荡频率的模式，从而构成低等级的“背景”。 在具有静态背景的

使用对象检测-YOLO-v2-深度学习：使用Yolo v2的基于深度学习的对象检测的MATLAB示例

时间序列分析——The main focus of this book is on a systematic development of the theory of sequential hypothesis testing (Part I) and changepoint detection (Part II). In Part III, we briefly describe certain important applications where theoretical results can be used efficiently, perhaps with some reasonable modifications. We review recent accomplishments in hypothesis testing and changepoint detection both in decision-theoretic (Bayesian) and non-decision-theoretic (non-Bayesian) contexts. The emphasis is not only on more traditional binary hypotheses but also on substantially more difficult multiple decision problems. Scenarios with simple hypotheses and more realistic cases of (two and finitely many) composite hypotheses are considered and treated in detail. While our major attention is on more practical discrete-time models, since we strongly believe that life is discrete in nature??? (not only due to measurements obtained from devices and sensors with discrete sample rates), certain continuous-timemodels are also considered once in a while, especially when general results can be obtained very similarly in both cases. It should be noted that although we have tried to provide rigorous proofs of the most important results, in some cases we included heuristic argument instead of the real proofs as well as gave references to the sources where the proofs can be found.

MATLAB的疲劳检测代码睡意检测2 Matlab睡意检测代码2 编写Matlab代码以监视人的状态并在睡意时发出警报。 我已经用疲劳和非疲劳样本训练了SVM分类器。 如何运行？ Unzip and place the 'Sleep' folder in the path of Matlab. Turn on your webcam, go to command window and type 'imaqtool' to find the supported adaptors. Open main.m and go to line no. 17 and change the adaptor name to the supported one. (Usually 'winvideo',1 is supported in all windows versions). Now run main.m Place yourself at a distance such that your face is visible in the window Non Fatigue Status: The

MATLAB的性能检测代码疲劳检测 这个回购包括： 第1部分： MATLAB 应用程序代码（Video to EAR.m），它使用基于“EAR（眼睛纵横比）”自定义度量的统计方法输入视频并提取用户的眨眼。 它是[1]和[2]作品的应用扩展。 参考： [1] 野外增量人脸对齐。 A. Asthana、S. Zafeiriou、S. Cheng 和 M. Pantic。 在 CVPR 2014 中。 [2] 使用面部标志的实时眨眼检测。 特蕾莎·苏库波娃和扬·切赫。 在 2016 年第 21 届计算机视觉冬季研讨会上。 第2部分： 自定义卷积神经网络（基于 VGG），用于根据输入人脸图像训练睡意/疲劳检测模型。 （Python 脚本：vgg_face_drowsiness.py，使用 Keras 和 TensorFlow 作为后端）。