Tensorflow-2-Object-Detection-API-Flask-Application 这是一个已部署tensorflow 2对象检测API的flask应用程序。 用户使用图像数据敲击端点并获得响应，该响应包括带分数的检测，带覆盖的图像数据，图像大小（可以自定义）。 先决条件和设置 您需要设置 。 这里有一些很棒的文章， ， ，可以在此过程中为您提供帮助。 您可以从下载所需模型并在main.py文件中指定save_model，labelmap路径 client.py命中端点。 您必须在client.py文件中指定带有端点image_path，output_dir（要在其中保存带有叠加层的图像的目录。它是可选的）的url。 跑步 首先运行python main.py以使应用程序运行，然后使用必需的参数命中端点，请运行python client.py 输出 响应包括 有

数据集对对象检测的预处理 该存储库包含一些python解析器脚本，用于将其他公共数据集转换为voc数据格式 笔记 我并不是要提供这些脚本的用法，修改这些文件非常简单 该存储库中的大多数文件都非常相似，您可以根据自己的目的运行 环境 python 3.5

用于非时间实时火灾检测的实验定义的卷积神经网络体系结构变体 [及后续工作：用于非时间实时火灾检测的紧凑型卷积神经网络体系结构的实验探索] 使用Python 3.7.x， ， 和（需要opencv额外模块-用于超像素分割的ximgproc模块） 架构： FireNet体系结构（以上） InceptionV1-OnFire架构（以上） InceptionV3-OnFire架构（以上） InceptionV4-OnFire架构（以上） 抽象： “在这项工作中，我们研究了在实时范围内自动检测视频（或静态）图像中火灾像素区域的方法，而无需依赖于时域场景信息。作为对该领域先前工作的扩展，我们考虑了

车辆速度检测 使用OpenCV检测车辆速度的简单python代码

RCNN

自动驾驶领域的障碍物检测算法，主要基于python3实现的，视觉检测算法，可以检测减速带等障碍物

使用机器学习进行僵尸网络检测 使用网络流量行为分析和机器学习进行僵尸网络检测的B.Tech项目存储库在这里，我们介绍了基于行为流的僵尸网络检测方法，该方法使用了诸如最新分类器之类的现代机器学习技术及其使用集成技术的组合。 我们还提供了用于流识别和特征生成的自定义编码流生成器，以表征网络流量。 用于分析的数据集：加拿大ISCX UNB的僵尸网络数据集 指数 文件和文件夹的描述为： 僵尸网络文档包含有关僵尸网络的一些相关文档和以前的工作 自定义流生成器包含一个python实现，用于提取双向交通流并生成基于流的功能，以供以后用于机器学习。 ISCXFlowMeterMaster包含ISCX给定的流生成器​​。 但是，此项目中使用的流生成器​​是自定义内联编写的，也已抽象出用于流量分析。 深度学习文件夹包含用于对数据集和结果进行深度学习分析的代码 剩下的是一些代码文件，没有特别的顺序进行分析

肺结节检测代码 matlab 此处授予仅出于教育和研究目的且免费使用、复制或修改本软件及其文档的许可，前提是所有副本和支持文档中均包含此版权声明和原作者姓名。 未经作者许可，不得使用、改写或改编本程序作为商业软件或硬件产品的基础。 作者对本软件对任何目的的适用性不作任何陈述。 它“按原样”提供，没有明示或暗示的保证。 1.0 版，2018 年 5 月 28 日。 对于任何错误/建议，请发送电子邮件至或有关更多详细信息，请访问 该软件是以下论文的实现： N. Khehrah、MS Farid、S. Bilal，“CT 扫描中的自动肺结节检测”，提交给国际医学信息学杂志。 如果您在研究中使用此代码，请参考上述论文。 此文件夹“演示”包含以下文件 1)main.m 2)segmentation.m 3)temporal_feature.m 4)statistical_feature 5)svmStruct 6)regiongeneration.m 7)regiongeneration1.m 除了这些文件，该文件夹还包含一些作为演示处理的肺 Ct 扫描示例图像。 Segmentation.m

内卷化 如“对内在性”（CVPR'21）中所述的神经算子的正式实现 ，，，，，朱磊，， TL; 博士involution是一种通用的神经元原语，可用于各种视觉任务上的各种深度学习模型。 involution在设计中架起了convolution与self-attention桥梁，同时比convolution更有效，更有效，而形式上则比self-attention更简单。 入门 该存储库完全基于工具包构建。 对于每个单独的任务，config和model文件分别遵循与 ， 和相同的目录组织，因此只需将它们复制并粘贴到相应的位置即可上手。 例如，在评估检测器方面 git clone https://github.com/open-mmlab/mmdetection # and install # copy model files cp det/mmdet/models/backbones/ *

Christer Ericson “Real-Time Collision Detection " Morgan Kaufmann | ISBN: 1558607323 | PDF |