yolov2源码matlab版收集论文和其他资源，以使用深度学习进行对象检测和跟踪 静态检测 地区提案 使用深度神经网络的可扩展对象检测cvpr14 （，） 选择性搜索对象识别ijcv2013 （，） 神经网络 使用区域提议网络更快地实现实时对象检测的R-CNN tpami17 （，） Mask R-CNN （，（ ，，，， ）[Facebook AI研究] YOLO 您只需查看一次统一的实时对象检测ax1605 （，） YOLO9000更好，更快，更强ax16_12 （，） YOLOv3增量改进ax180408 （，） 固态硬盘 SSD单发MultiBox检测器eccv16_ax16_12 （，） DSSD反卷积单发检测器AX1701.06659 （，） 视网膜网 用于对象检测的功能金字塔网络ax170419 （，） 密集物体检测的焦点损失ax180207 （，） 杂项 使用卷积网络过分集成的识别，定位和检测ax1402 iclr14 （，） LSDA通过适配压区进行大规模检测14 ax14_11 （，） 视频检测 细管 利用卷积神经网络CVPR16从视频小管中检测目标 带有Tube

A Multi-Sensor Fusion System for Moving Object Detection and Tracking in Urban Driving Environments - icra-14-sensor-fusion.pdf

皮诺玛利 PyNomaly是LoOP（局部异常值）的Python 3实现。 LoOP是Kriegel，Kröger，Schubert和Zimek提出的基于局部密度的离群值检测方法，可提供[0,1]范围内的离群值，这些分数可直接解释为样本是离群值的概率。 每个样本的离群值称为本地离群值概率。 它测量给定样本相对于其邻居的密度的局部偏差作为局部离群值因子（LOF），但提供范围为[0,1]的归一化离群值。 这些离群值可直接解释为对象成为离群的概率。 由于本地异常值提供的评分范围为[0,1]，因此从业人员可以根据应用程序自由解释结果。 像LOF一样，它是局部的，异常分数取决于样本相对于周围邻域的隔离程度。 局部性由k个最近的邻居给出，其距离用于估计局部密度。 通过将样本的局部密度与其邻域的局部密度进行比较，可以识别出与邻域相比密度较低的区域中的样本，从而根据其局部离群概率来识别离群的样本。

DOUBLETAKE__Fast_and_Precise_Error_Detection_via_Evidence-Based_Dynamic_Analysis 业务风控 渗透测试 业务安全 物联网安全物联网安全

Towards_the_Detection_of_Inconsistencies_in_Public_Security_Vulnerability_Reports（安全漏洞报告的差异性测量） 应急响应 业务风控 安全运营 风险评估 安全防御

TJU-DHD数据集（物体检测和行人检测） 这是“ ”的官方网站，这是一个新建的用于目标检测和行人检测的高分辨率数据集。 115k +图像和700k +实例 场景：交通和校园，任务：物体检测和行人检测 高分辨率：图像分辨率至少为1624x1200像素，物体高度从11像素到4152像素。 多样性：外观，比例，照度，季节和天气差异很大 行人检测的跨场景评估和同场景评估 如果您对行人检测感兴趣，请参阅或。 目录 2.1 2.2 3.1 3.2 4.1 4.2 4.3 TJU-DHD行人 引文 测试集评估 接触 1.简介 在自动驾驶汽车和视频监控的感知模块中，车辆，行人和骑行者是最重要和最有趣的对象。 但是，检测这种重要物体（尤其是小物体）的最新性能远远不能满足实际系统的需求。 大规模，丰富多样的高分辨率车辆和行人数据集在开发更好的目标检测方法以满足需求方面起着重要作用。 从网站收集的

异常检测 硕士项目-工业成像中的异常检测

入侵检测系统 此回购协议包含研究论文“”的所有代码和数据集。 抽象的 ： 由于在当今世界对网络安全的强烈要求，入侵检测系统（IDS）已成为所有最新ICT系统中的必不可少的层。 IDS要求发现深度神经网络（DNN）的集成，包括发现攻击类型的不确定性和高级网络攻击的复杂性等原因。 在本文中，DNN已被用来预测对网络入侵检测系统（N-IDS）的攻击。 应用具有0.1的学习率的DNN并运行1000个纪元，并且KDDCup-'99'数据集已用于训练和对网络进行基准测试。 为了进行比较，该训练是在同一数据集上与其他几种经典机器学习算法一起完成的，并且DNN的范围为1到5。比较结果并得出结论，3层DNN具有优于其他所有经典机器的性能。学习算法。 关键字： 入侵检测，深度神经网络，机器学习，深度学习 编者： ** ， † ， †和 ‡ ∗印度Amrita Vishwa Vidyapeeth

半监督学习以改善肺癌的检测 使用生成模型和半监督学习促进肺癌检测 用于训练的数据集 LUNA16数据集（ ） Kaggle数据科学碗2017（ ） 建筑学 结果 结节检测器结果 发电机结果 分类器结果 方法 准确性 监督学习 64％ 半监督学习 87.3％ 资源 Kaggle数据科学碗2017内核 Luna2016-肺结节检测 Tensorflow中的半监督学习GAN [链接] DSB2017 [链接] Keras-GAN [链接] 使用很少的数据构建强大的图像分类模型[link] 贡献者： Dhamodhran（ @ svella9 ） 悉达思R科蒂（ siddharthkoti ） 维杰·蒙达拉吉（ Vijay-Mundaragi ）

new_idlefish_detection 安卓闲鱼上新爬虫，基于pocp和airtest。 闲鱼版本：6.8.90