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

人体跌倒检测与追踪 使用Tiny-YOLO oneclass检测帧中的每个人，并使用获取骨骼姿势，然后使用模型从每个人跟踪的每30帧中预测动作。 现在支持7种动作：站立，行走，坐着，躺下，站起来，坐下，跌倒。 先决条件 这些模型需要Python> 3.6和Pytorch> 1.3.1。 对于NVIDIA jetson设备，建议使用docker容器运行项目。 建造容器 cd ${current_repository_path} ./docker/build.sh 要运行容器，请使用以下命令 ./docker/run.sh 该脚本会将工作目录安装到容器。 数据 该项目训练了一个新的Tiny-YOLO oneclass模型，以仅检测人的物体并减小模型的大小。 使用旋转增强的人员关键点数据集进行训练，以在各种角度姿势中更可靠地检测人员。 对于动作识别，使用来自跌倒检测数据集（，家庭）的数据，通

Pytorch简单CenterNet-45 如果您正在寻找其他CenterNet，请尝试！ 这个仓库是一个简单的pytorch实现的 ，一些代码取自。 顾名思义，此版本简单易读，所有复杂的部分（数据加载器，沙漏，训练循环等）都以更简单的方式重写了。 顺便说一下，还添加了对nn.parallel.DistributedDataParallel的支持，因此该实现的训练速度比正式代码快得多（在8个GPU上约为75 img / s与36 img / s）。 享受！ 要求： python> = 3.5 pytorch == 0.4.1或1.1.0（DistributedDataParallel培训仅在使用1.1.0时可用） tensorboardX（可选） 入门 禁用cudnn批处理规范化。 打开torch/nn/functional.py并找到与torch.batch_norm的行，并

视网膜检测物体检测器 介绍 RetinaDetector是基于RetinaFace修改过的检测方法的，原论文是一种实用的单级面部检测器，最初在 数据 如下组织数据集目录： data/retinaface/ train/ images/ label.txt val/ images/ label.txt test/ images/ label.txt 安装 安装具有GPU支持的MXNet。 如果使用基于DCN的主干，请从安装 Convolution V2运算符。 键入make来构建cxx工具。 训练 请检查train.py进行培训。 将rcnn/sample_config.py复制到rcnn/config.py 为了获得更好的训练效果，可针对性的修改一些参数，如下： config.TRA

小人物检测的比例匹配 消息 TinyBenchmark 的 mmdetection版本是指我们鼓励使用。 此项目将不支持新功能。 数据集 The annotaions of test set have released aready !!! 和如何使用test_set注解进行评估，请参见 TinyPerson 数据集 该数据集将用于 ECCV2020 研讨会 ， 下载链接： 官方网站：推荐，下载速度可能更快百度盘密码：pmcq 谷歌驱动程序 有关 TinyPerson 数据集的更多详细信息，请参阅数据集。 小城人 百度盘密码：vwq2 微小的基准 基准测试基于maskrcnn_benchmark和citypersons 代码。 有关基准测试的更多详细信息，请参阅Tiny Benchmark 。 比例匹配 引文 如果您在研究中使用代码和基准，请引用： @inproceed

面部分析仪 此Android应用程序的目的是使用Microsoft Face API不仅检测图像中的单个面Kong，而且还提供有关每张面Kong的面部属性的信息，例如情绪，估计的年龄，性别等。 此应用程序的可能应用是在游乐园，教室和住宅中。 游乐园除了可以分析乘车前后人们的情绪外，还可以使用该应用根据年龄和其他属性收集有关乘车人群的类型的数据。 此外，该应用程序可在教室中用于分析教给学生的脸部。 然后，教师可以查看有关情绪的数据，以查看学生是否能够理解，享受或不喜欢这堂课。 最后，该应用程序的另一个应用程序是在住宅中，看护人可以定期使用该应用程序确定患者的情绪并将其存储在数据库中，以便以后进行分析。 用法： 该应用程序非常易于使用：第一页包含两个按钮-一个用于拍照，另一个用于处理图片。 因此，该应用需要相机许可。 拍照后，您可以按“处理”按钮，该应用程序将使用AsyncTask和Mi

自动编码器在脑MR图像中的无监督异常分割：比较研究 该存储库包含我们的论文的代码，该论文是。 如果您使用我们的任何代码，请引用： @article{Baur2020, title = {Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study}, author = {Baur, Christoph and Denner, Stefan and Wiestler, Benedikt and Albarqouni, Shadi and Navab, Nassir}, url = {http://arxiv.org/abs/2004.03271}, year = {2020} } @article{baur2021autoencoders, tit

自己编写camera（非调用本地相机）实现camera preview, take picture, save image等功能。按下button后可以检测人脸，并标识出人的眼睛和鼻子。

用于检测网络中核心外围结构的Python软件包 该软件包包含用于检测网络中核心外围结构的算法。 所有算法均以Python实现，并且速度提高了numba，并且只需很少的编码即可使用。 安装 在安装此软件包之前，请确保您具有版本3.6或更高版本的Python 。 有两种安装此软件包的方法， conda或pip 。 如果您有conda环境，建议使用conda。 否则，请使用pip。 对于conda conda install -c conda-forge -c skojaku cpnet 对于点子 pip install cpnet 依赖关系： 参见requirements.txt 蜜蜂 查看 用法 该软件包包括以下两个子模块： 一套用于检测网络核心外围结构的算法 核心外围结构统计测试代码 检测核心外围结构 加载用于检测网络中核心外围结构的算法： import cpnet algo