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

mobilenet_ssd_pedestrian_detection 基于Mobilenet SSD的行人检测。 培训信息 数据集：加州理工学院步行者数据集 Caffe Mobilenet SSD： :

真棒视频异常检测：视频异常检测论文，已发布的代码收集，性能比较

显著性检测组会汇报ppt，主要讲解了将金字塔特征注意力网络用于显著性检测的方法，网络结构，实验等内容。

运行环境： 1.python 3.7.4 2.pytorch 1.4.0 3.python-opencv 说明 预训练的权重文件[vgg_16] 具体的配置文件请看Config.py文件 训练运行python Train.py 单张测试 python Test.py ##目前进度： 1、PERCLOS计算 DONE 2、眨眼频率计算 DONE 3、打哈欠检测及计算 DONE 4、疲劳检测 DONE 5、人脸情绪检测 DONE 6、口罩检测Done 网络检测性能：准确率82.18% 主要文件说明： ssd_net_vgg.py 定义class SSD的文件 Train.py 训练代码 voc0712.py 数据集处理代码（没有改文件名，改的话还要改其他代码） loss_function.py 损失函数 detection.py 检测结果的处理代码，将SSD返回结果处理为opencv可以处理的

我们的 CVPR 2019 论文 Distilling Object Detectors with Fine-grained Feature Imitation 的实现 我们提出了一种基于锚点的对象检测模型的通用蒸馏方法，以利用大型教师模型的知识获得增强的小型学生模型，该模型是正交的，可以进一步与量化和剪枝等其他模型压缩方法相结合。 香草知识蒸馏技术的关键观察是预测置信度的类间差异揭示了笨拙的模型如何趋于泛化（例如，当输入实际上是一只狗时，模型将在猫标签上放置多少置信度）。 虽然我们的想法是物体附近特征响应的位置间差异也揭示了检测器倾向于泛化的程度（例如，模型的响应对于不同的近物体锚点位置有何不同）。 我们发布了基于 shufflenet 的检测器和基于VGG11的Faster R-CNN 的提取代码，该代码库实现了基于Faster R-CNN模仿。 检查以获取基于 Shufflene

matlab改变代码颜色请阅读我的“颜色变化检测任务” 由Kirsten Adam撰写，最新更新时间为2017年7月28日 所需软件 此代码使用Psychtoolbox（）在MATLAB中运行。 该任务应与Mac和PC兼容-已在运行OS X El Capitan（10.11.6）的iMac和运行Windows 7的PC上进行了测试。 设置代码 将实验脚本和说明PNG放在一个文件夹中，并确保该文件夹在Matlab的路径上。 现在，该脚本已设置为在当前目录中创建一个名为“ Subject Data的文件夹，并将数据保存在该文件夹中。 如果您希望将数据保存在其他位置，则需要更新实验的主目录p.root 。 一般注意事项 此代码将不允许您覆盖具有相同主题编号的现有数据文件。 对于将不会保存的演示，请使用主题号“ 0”。 只有该主题号可以被覆盖。 如果要为同一主题保存多个文件（例如，多个会话），则需要更改文件的命名/保存方式。 要在会话进行中逃脱，请在响应屏幕中点击“ ESCAPE”按钮。 这会将所有数据保存到当前试用版。 否则，数据仅在每个试验块结束时保存到文件中。 如果在Mac上运行，则当前

交通标志检测 这是论文的代码 ， ， 本文通过结合多种特征提取器（Resnet V1 50， Resnet V1 101，Inception V2，Inception Resnet V2，Mobilenet V1和Darknet-19）。 我们旨在探索这些对象检测模型的特性，这些对象通过转移学习进行了修改，并特别适合于交通标志检测问题领域。 特别是，在Microsoft COCO数据集上进行了预训练的各种公开可用的对象检测模型在数据集上进行了微调。 这些模型的评估和比较包括关键指标，例如平均平均精度（mAP），内存分配，运行时间，浮点运算次数，模型参数数量以及交通标志图像尺寸的影响。 我们提供： 几种。 。 测试代码以。 说明。 说明。 创建GTSDB TFRecords的脚本。 如果您发现此代码对您的研究有用，请引用： "Evaluation of deep ne

级联表网 CascadeTabNet：一种从基于图像的文档进行端到端表检测和结构识别的方法 ， ， ， ， 该论文在发表（口头）虚拟口头演示 1.简介 CascadTabNet是一种自动的表格识别方法，用于解释文档图像中的表格数据。我们提出了一种改进的基于深度学习的端到端方法，用于解决使用单个卷积神经网络（CNN）模型的表检测和结构识别问题。 CascadeTabNet是基于级联蒙版区域的CNN高分辨率网络（级联蒙版R-CNN HRNet）的模型，该模型检测表的区域并同时从检测到的表中识别结构体单元。我们在ICDAR 2013，ICDAR 2019和TableBank公共数据集上评估结果。我们在ICDAR 2019比赛后结果中排名第三，用于表检测，同时获得ICDAR 2013和TableBank数据集的最佳准确性结果。我们还在ICDAR 2019表格结构识别数据集上获得了最高准确