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

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