小目标检测

附件为显示器上点状、带状等不同形态的mura视觉检测算法，主要采用了LOG滤波器对缺陷图像进行了处理，附件内有文档说明如何针对缺陷设计滤波器，希望对大家有所启发。

:NEW_button: 您是否正在寻找由TF2.0实现的新YOLOv3？ 如果您非常讨厌tensorflow1.x，请不用担心！ 我已经用TF2.0实现了一个新的YOLOv3存储库，并且还制作了一个中文博客，介绍如何从头开始实现YOLOv3对象检测器。 | | 第1部分。快速入门 克隆此文件 $ git clone https://github.com/YunYang1994/tensorflow-yolov3.git 您应该在掌握这些代码之前先安装一些依赖项。 $ cd tensorflow-yolov3 $ pip install -r ./docs/requirements.txt 将已加载的COCO权重导出为TF检查点（ yolov3_coco.ckpt ）【 】 $ cd checkpoint $ wget https://github.com/YunYang1994/tensorflow-

| 简体中文 pycorrector 中文文本纠错工具。音似、形似错字（或变体字）纠正，可用于中文拼音、笔画输入法的错误纠正。python3.6开发。 pycorrector依据语言模型检测错别字位置，通过拼音音似特征、笔画五笔编辑距离特征及语言模型困惑度特征纠正错别字。 Guide Question 中文文本纠错任务，常见错误类型包括： 谐音字词，如 配副眼睛-配副眼镜 混淆音字词，如 流浪织女-牛郎织女 字词顺序颠倒，如 伍迪艾伦-艾伦伍迪 字词补全，如 爱有天意-假如爱有天意 形似字错误，如 高梁-高粱 中文拼音全拼，如 xingfu-幸福 中文拼音缩写，如 sz-深圳 语法错误，如 想象难以-难以想象 当然，针对不同业务场景，这些问题并不一定全部存在，比如输入法中需要处理前四种，搜索引擎需要处理所有类型，语音识别后文本纠错只需要处理前两种， 其中'形似字错误'主要针对五笔或者笔画手

重要通知，我们的服务器正在维护中。 （2月7日14:30 KST〜2月8日17:00 KST）。 不便之处，敬请原谅。 KAIST多光谱行人检测基准 黄舜敏，Jaesik Park，Namil Kim，Yukyung Choi在RCV Lab的So Kweon中。 （KAIST）[] 我们开发了由彩色相机，热像仪和分束器组成的成像硬件，以捕获对齐的多光谱（RGB颜色+热像仪）图像。 使用此硬件，我们可以在白天和晚上捕获各种常规交通场景，以考虑光照条件的变化。 KAIST多光谱行人数据集包含从车辆中提取的95k色热对（640x480，20Hz）。 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。 更多信息，请参见我们的CVPR 2015 [] [

该数据集包含4个不同类别的200张图像，以进行水果检测。 Fruit Detection_datastes.txt Fruit Detection_datastes.zip

Deep Learning for Anomaly Detection A Review.pdf

真棒边缘检测纸 边缘检测论文和相应的源代码/演示程序（也称为轮廓检测或边界检测）的集合。 随时创建PR或问题。 （首选“拉式请求”） 大纲 0.边缘检测相关数据集 简称 原始纸 来源 介绍 TPAMI 2011 经典边缘检测数据集。 CVPR 2013 边缘来自带注释的分割蒙版的边界。 视觉研究2016 带边界注释。 CVPR 2020 边缘来自带注释的线框。 1.基于深度学习的方法 1.1常规边缘检测 简称 纸 来源 代码/项目链接 数码光盘 ACM MM 2020年 德西尼德 WACV 2020 BDCN CVPR 2019 RCN CAIP 2019 线路板 ECCV 2018 AMH网 NIPS 2017 RCF CVPR 2017 CED CVPR 2017 COB ECCV 2016 RDS CVPR 2016 HFL ICCV 2015 HE

欺诈识别 识别信用卡上的欺诈交易。 想象一下，站在杂货店的结帐柜台后排成一排，您的收银员却很安静地宣布您的卡已被拒绝。 在这一刻，您可能没有考虑决定命运的数据科学。 不好意思，并且确定您有足够的资金来支付为您的50个最亲密的朋友举办一场史诗般的玉米片派对所需要的一切，您可以再次尝试购买卡片。 结果相同。 当您离开并允许收银员照看下一位客户时，您会从银行收到一条短信。 “如果您真的想在切达干酪上花费500美元，请按1。” 虽然目前可能很麻烦（并且常常令人尴尬），但这种防欺诈系统实际上每年为消费者节省了数百万美元。 IEEE计算智能协会（IEEE-CIS）的研究人员希望改善这一数字，同时也要改善客户体验。 通过更高准确性的欺诈检测，您可以轻松处理芯片。 IEEE-CIS跨各种AI和机器学习领域工作，包括深度神经网络，模糊系统，进化计算和群体智能。 今天，他们与全球领先的支付服务公司Ve

Javascript中数据流的异常值检测 这是用于预测数据集中异常值的多元正态分布模型的实现。 有两种数据要么是异常值，要么是正常数据。 假设正态数据已生成高斯分布。 我们选择一个阈值是指截断尾部形状。 该算法是对称的，因此它可以考虑异常值的两个极端（高和低）。 阈值的值可以通过训练对测试数据集执行交叉验证来估计。 这个库是使用 syvester.js 库构建的。 包中的 html 文件显示了它在实践中的使用方式。 但是，index1.html 示例中的演示适用于 3 维数据。 这可以通过修改 outlier.js 中的 mergeArrays 方法来更新。 这是因为我们正在附加批量数据，并且几行代码调整将使其适用于任意数量的维度。 该算法遵循从不混合训练集和测试集的原则。 我们需要设置分类器来开始这个过程。 该数据不作为训练集，下一批数据将被馈送到分类器。 在训练集上获得协方差矩