威胁检测系统 dataloader.py 每天生成每个用户的操作 Assigned_pc.py 生成device_dictionary.csv insider_loader.py 需要Insiders.csv 生成insider_dictionary.npy data_transfer.py 需要device_dictionary.csv 需要insider_dictionary.npy 生成result_threat0_fully.npy

tracking-by-detection, 在 C 中，实现了多目标跟踪( δ ) 算法 tracking-by-detectionmaster的代码，标题为"实时多目标跟踪： 关于速度的重要性的研究。简介在这个项目中，我们实现了一个多目标跟踪器，遵循的tracking-by-detection范例，作为现有方法的一个扩

标签图 LabelImg是图形图像注释工具。 它是用Python编写的，并将Qt用于其图形界面。 批注以PASCAL VOC格式（ 所使用的格式）另存为XML文件。 此外，它还支持YOLO和CreateML格式。 安装 从源代码构建 Linux / Ubuntu / Mac至少需要 ，并已通过进行了测试。 但是，强烈建议使用以及 。 的Ubuntu Linux的 Python 3 + Qt5 sudo apt-get install pyqt5-dev-tools sudo pip3 install -r requirements/requirements-linux-python3.txt make qt5py3 python3 labelImg.py python3 labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE] 苹果系统

基于深度学习的实时车辆检测代码，基于python和yolo算法编写

泄漏检测 草稿2017-05-01 迈克尔·克拉克（Michael.clark via wassname dot org），克雷格·巴尔达奇诺（Craig Baldacchino） 该项目探讨了我们可以使用卫星图像和机器学习来发现泄漏的想法。 主要假设是，鉴于泄漏维修的时间和地点以及给定的10-15m2分辨率的卫星图像，我们可以比随机猜测所定义的基准更好地预测泄漏。 我们使用随机森林模型，然后使用超优化调整数据过滤器和模型参数。 我们的结果显示f1得分约为0.6，而虚拟f1得分为0.5。 这个小的改进支持了我们的假设，但是它表示预测能力太差，无法用于管道维护。 我们预计，以更高分辨率的图像重复实验可能会提供有用的预测能力水平。 介绍 西澳大利亚州的漏水造成了超过100亿升的水，每年造成的损失超过10亿美元。 西澳大利亚州自来水公司每年只能人工检查10-12％的管网是否有不可见的泄漏 。

object_detection 目标检测开源代码 目标检测开源代码汇总对象检测算法代码 目标检测发展线路图– 车辆检测竞赛检测跟踪追踪 用于快速车辆检测的车辆检测进化盒ICME 2017 车辆检测用于车辆检测的小型U-Net 目标检测更快的RCNN + SSD单发细化神经网络用于对象检测 目标检测用于快速目标检测ECC​​V2016的统一多尺度深度卷积神经网络 目标检测—加速目标区域提取DeNet：使用定向稀疏采样ICCV2017进行可扩展的实时对象检测 【Dlib 19.5车辆检测】《使用Dlib 19.5进行车辆检测》 目标检测RON：与对象先验网络的反向连接进行对象检测CVPR2017 同时检测和分割，类似Mask R-CNN BlitzNet：用于场景理解的实时深度网络ICCV2017 目标检测DSOD：从Scratch ICCV2017学习深度监督的对象检测器

ED_Lib 用于几何特征提取和验证的EDGE绘图库 关键字：边缘检测，边缘段检测，彩色边缘检测，线检测，线段检测，圆检测，椭圆检测。 边缘绘图（ED）算法是一种主动检测边缘检测问题的方法。 与采用减法方法的其他许多现有边缘检测算法（即在将梯度滤镜应用到消除像素的图像后，采用几种规则，例如Canny中的非最大抑制和滞后）相比，ED算法通过加性策略工作，即一个接一个地选择边缘像素，因此命名为Edge Drawing。 然后，我们处理这些随机形状的边缘段，以提取更高级别的边缘特征，即线条，圆，椭圆形等。从阈值梯度幅度中提取边缘像素的流行方法是非最大抑制，它测试每个像素是否具有最大的像素。沿其梯度方向的梯度响应，如果没有则消除。 但是，此方法不会检查相邻像素的状态，因此可能会导致边缘段的质量低（就边缘连续性，平滑度，薄度，定位而言）。 ED会指向一组边缘像素，并通过最大化边缘段的总梯度响应来

社团检测

Statistical Signal Processing: Detection, Estimation, and Time Series Analysis This book embraces the many mathematical procedures that engineers and statisticians use to draw inference from imperfect or incomplete measurements. This book presents the fundamental ideas in statistical signal processing along four distinct lines: mathematical and statistical preliminaries; decision theory; estimation theory; and time series analysis.

LOF异常检测代码matlab 异常检测学习资源 （也称为异常检测）是一个令人兴奋但具有挑战性的领域，旨在识别偏离一般数据分布的外围对象。 异常值检测已被证明在许多领域都很重要，例如信用卡欺诈分析、网络入侵检测和机械单元缺陷检测。 该存储库收集： 书籍和学术论文 在线课程和视频 离群数据集 开源和商业图书馆/工具包 重要会议和期刊 更多项目将被添加到存储库中。 请随时通过打开问题报告、提交拉取请求或给我发送电子邮件@() 来建议其他关键资源。 享受阅读！ 顺便说一句，您可能会发现我的有用。 目录 1. 书籍和教程 1.1. 图书 作者：Charu Aggarwal：涵盖大多数异常值分析技术的经典教科书。 异常值检测领域的必读书籍。 作者：Charu Aggarwal 和 Saket Sathe：在异常值分析中进行集成学习的优秀介绍书。 作者：Jiawei Han、Micheline Kamber 和 Jian Pei：第 12 章讨论了许多关键点的异常值检测。 1.2. 教程 教程标题 场地 年 参考 材料 用于异常检测的数据挖掘 公钥簿 2008年 异常值检测技术 ACM SIGKD