介绍 该项目的灵感来自： 我将YOLO v3换成了YOLO v4，并添加了用于异步处理的选项，这大大提高了FPS。 但是，使用异步处理时FPS监视将被禁用，因为它不准确。 另外，我从提取了算法，并将其实现到deep_sort/track.py 。 用于确认轨迹的原始方法仅基于检测到对象的次数，而不考虑检测置信度，从而在发生不可靠的检测时（即低置信度真阳性或高置信度假阳性）导致高跟踪误报率。 轨道过滤算法通过在确认轨道之前计算一组检测次数的平均检测置信度，从而大大降低了这一点。 请参阅下面的比较视频。 低置信度轨道过滤 导航到适当的文件夹以使用低置信度轨道过滤。 上面的视频演示了差异。

yolov2源码matlab版物体检测 资源 很棒的物体检测 很棒的对象建议 空客船舶检测挑战赛数据集 空中场景中物体检测的论文清单及相关应用资源 框架 FAIR的对象检测研究平台，实现了流行的算法，如Mask R-CNN和RetinaNet。 Pelee：移动设备上的实时对象检测系统。 该代码基于SSD框架。 Tesla和Jetson的TensorRT / Deepstream样本 NVIDIA TensorRT加速了TensorFlow模型 对象提案 库/ API，可使用大量现有的对象建议方法来生成边界框/区域建议 BING ++：100fps的快速高质量对象提议生成器 多尺度组合分组-对象提案和细分 显着性 Saliency Benchmark在6个具有挑战性的数据集上定性和定量地比较了42个最新模型（30个显着目标检测，10个注视预测，1个客观性和1个基线），以对显着目标检测和分割方法进行基准测试。 最小障碍物显着物体检测 用于计算图像显着性的python工具箱 cvpr2017论文“具有短连接的深度监督显着对象检测”的实现 CVPR 2017中发布的“具有短连接的深度监督显着

GJK (Gilbert-Johnson-Keerthi) 碰撞检测算法在 MATLAB 中的实现。 GJK.m 函数获取形状顶点数据并返回两个形状是否穿透。 仅适用于凸形物体！ MAIN_example.m 对两个多面体进行动画处理，并在两者相互碰撞时停止。

恒虚警率检测matlab代码雷达目标产生与探测项目 介绍 该项目的目标是模拟调频连续波（FMCW）雷达并处理信号以检测目标的范围和速度。 该实现是在MATLAB中完成的，该项目是Udacity的Sensor Fusion Nanodegree的一部分。 该项目的主要部分是： 根据系统要求设计FMCW波形。 定义模拟目标的范围和速度。 模拟发送和接收信号以确定拍子信号 对拍子信号执行范围FFT以确定范围 实施CFAR算法以过滤第二FFT的输出并显示目标。 图片来源：Udacity-传感器融合纳米度的理解 执行 FMCW波形设计 设计的FMCW雷达必须满足以下要求： 范围 价值 频率 77 GHz 范围解析度 1米 最大范围 200米 最大速度 70 m /秒 速度分辨率 3 m /秒 带宽 范围分辨率与带宽成正比。 考虑到一米的距离分辨率，可以使用以下表达式计算带宽。 期（Tchirp） 线性调频周期必须至少比往返时间高几倍。 最坏的情况是目标位于最大范围内。 在该项目中，使用了最大往返时间的5.5倍的线性调频周期。 该方程式如下所示。 坡 最后，信号的斜率基本上是带宽除以频率。 Mat

Project-Object-Detection 南方电网项目，自然环境、复杂背景下绝缘子目标检测 ###待检测图片1 ###结果1 ###待检测图片2 ###结果2 ###待检测图片3 ###结果3 ###待检测图片4 ###结果4 ###待检测图片5 ###结果5 ###待检测图片6 ###结果6 ###待检测图片7 ###结果7 ###待检测图片8 ###结果8 ###待检测图片9 ###结果9 ###待检测图片10 ###结果10 ###Superpixel-Based Compressive Tracking ###【算法对比图 SCT、FCT、CT、Frag、MIL、VTD、TLD、Struck、LOT】

口语填空和意图检测任务 插槽填充和意图检测的基本模型： 论文“具有焦点机制的编码器-解码器用于基于序列标签的口语理解”的“焦点”部分的实现 。 基于的BLSTM-CRF的实现 插槽填充和意图检测任务联合培训的实施 。 基本型号+ / / 数据集教程： （英语/西班牙语/泰语） （无意图） （无意图） （无意图） 部分 描述 所需的包 如何在ATIS数据集上报告意图检测的性能 教程A：带有预训练的单词嵌入 教程A：使用预训练的单词嵌入进行插槽填充和意图检测 教程B：使用ELMo 教程B：使用ElMo进行插槽填充和意图检测 教程C：使用BERT 教程C：插槽填充和BERT意图检测 教程D：使用XLNET 教程D：使用XLNET进行插槽填充和意图检测 结果 某些数据集上不同方法的结果 推论模式 推论模式 参考 如何引用？ 设置 python 3.6.x py

用于目标检测的特征金字塔网络 注意 基于FPN的。 支持多GPU培训！ 抽象 这是的的张量流重新实现。 该项目基于 ，由和完成。 对VOC 2007进行培训，对VOC 2007进行测试（PS。该项目还支持可可培训。） 比较方式 use_voc2007_metric 楷模 地图 羊 马 自行车 瓶子 牛 沙发 总线 狗 猫 人 培养 餐桌 飞机 汽车 盆栽 电视监视器 椅子 鸟 船 摩托车 resnet50_v1 73.09 72.11 85.63 77.74 55.82 81.19 67.34 82.44 85.66 87.34 77.49 79.13 62.6

MATLAB典型代码 （示例面部检测结果来自anXDdd。） 项目4：带有滑动窗口的人脸检测 简短的 截止时间： 1月1日，晚上11:59。 所需文件：results / index.md和代码/ VL Feat Matlab参考： 先决条件 安装tqdm： conda install -c conda-forge tqdm 概述 滑动窗口模型在概念上很简单：将所有图像块独立地分类为对象或非对象。 滑动窗口分类是对象检测的主要范例，特别是对于一个对象类别-面Kong-它是计算机视觉最引人注目的成功之一。 例如，现代相机和照片整理工具具有出色的人脸检测功能。 这些成功的面部检测（通常是对象检测）可以追溯到有影响的工作，例如和。 您可以查看这些文件，以获取有关如何实现检测器的建议。 但是，对于该项目，您将实现的更简单（但仍然非常有效！）的滑动窗口检测器。 Dalal-Triggs不仅着重于学习，还更着重于表示，并介绍了类似于SIFT的梯度直方图（HoG）表示（如右图所示）。 因为您已经实现了SIFT描述符，所以不会要求您实现HoG。 但是，您将负责其余的检测管道-处理异构训练和测试数据，训

本文详细解读了相干接收技术在光纤通信中的应用，包括相干接收的原理，接收和发送端的数字信号处理等流程，以及需要解决的问题

Snort.org Talos规则 Snort Rules（R）的非官方Git存储库从发布规则 新兴威胁规则 滥用规则 来自规则 积极技术的攻击检测 来自规则 其他规定 如果您喜欢这个仓库，请留下星星！ 随着时间的推移观星人