介绍了早期的基于曲线曲度的角点检测，里面重点介绍一些曲线的曲度计算方法。我的博客里面有关于这些方法的文章，欢迎相互交流。

自述文件 方法 方法描述于： 用例 方法用于： 如何设置？ 为避免安装问题，建议使用virtualenv Python虚拟环境。 然后使用pip安装所有依赖项（numpy，scipy，matplotlib，netCDF4等），例如： pip install numpy scipy netCDF4 matplotlib opencv-python pyyaml pint polygon3 然后运行以下命令以安装涡流跟踪器： python setup.py install 工具库 基于PY涡流跟踪器模块上的几个例子是 。 快速使用 EddyId share/nrt_global_allsat_phy_l4_20190223_20190226.nc 20190223 adt ugos vgos longitude latitude ./ -v INFO 进行识别，然后： EddyT

使用Pytorch进行人脸识别 Python 3.7 3.6 3.5 地位 这是pytorch中Inception Resnet（V1）模型的存储库，已在VGGFace2和CASIA-Webface上进行了预训练。 使用从David Sandberg的移植的参数来初始化Pytorch模型权重。 此回购中还包括用于推理之前的人脸检测的MTCNN的有效pytorch实现。 这些模型也经过预训练。 据我们所知，这是最快的MTCNN实现。 目录 视频流中的人脸跟踪 使用新数据微调预训练模型 Facenet-PyTorch中的MTCNN指南 人脸检测套件的性能比较 FastMTCNN算法 与Docker一起运行 在您自己的git项目中使用此仓库 将参数从Tensorflow转换为Pytorch 参考 快速开始 安装： # With pip: pip install facene

多光谱行人检测资源 用于多光谱行人检测的资源列表，包括数据集，方法，注释和工具。 数据集 ：KAIST多光谱行人数据集由从车辆中提取的95k色温对（640x480，20Hz）组成。 手动注释所有对（人，人，骑自行车的人），总计103,128个密集注释和1,182个唯一的行人。 注释包括边界框（如Caltech Pedestrian Dataset）之间的时间对应关系。 ：CVC-14数据集由两组序列组成。 这些序列被命名为昼夜设置，这是指它们被获取的当天的时刻，Visible和FIR取决于用户对序列进行记录的摄像机。 用于在白天训练3695张图像，在夜间训练3390张图像，每个序列带有大约1500条强制性行人注释。 用于测试两个序列的约700张图像，白天约有2000名行人，晚上约有1500名行人。 ：同步的带注释的热图像和非带注释的RGB图像，以供参考。 应该注意的是，红外图像和RGB

41篇目标检测论文，包含综述、One-stage系列、Two-stage系列、YOLO系列、模型压缩与加速系列等论文；

Multiuser Detection - Sergio Verdu

峰值检测 使用Python进行峰值检测

时间序列异常分析matlab代码HMM代码进行异常检测 编写了Matlab代码“ KMeans_MEP_HMML_HMMD.m”，用于通过隐马尔可夫模型和符号时间序列分析使用短长度传感器时间序列进行异常检测，并将其应用于燃烧系统中热声不稳定性（TAI）的低延迟检测。 该代码使用由凯文·墨菲（Kevin Murphy）编写的“用于Matlab的隐马尔可夫模型（HMM）工具箱”，根据许可可免​​费获得。 本软件按“原样”提供，不提供任何形式的明示或暗示担保，包括但不限于对适销性，特定目的的适用性和非侵权性的担保。 无论是由于软件，使用或其他方式产生的，与之有关或与之有关的合同，侵权或其他形式的任何索赔，损害或其他责任，作者或版权所有者概不负责。软件。

Collision Detection in Interactive 3D Environments [2004].pdf

COCO 数据集（全称为 Common Objects in Context）目前最常用于图像检测定位的数据集，是一个新的图像识别、分割、和字幕数据集，其对于图像的标注信息不仅有类别、位置信息，还有对图像的语义文本描述。本资源提供coco 2014下载资源网盘链接，如果失效可以根据文件中邮箱地址咨询