1、pytorch框架YOLOv3在Visdrone开源数据集的训练权重和代码； 2、3个训练好的模型YOLOv3、yolov3-tinyt、YOLOv3-spp； 3、map、PR、recall、loss、等各种训练曲线图； 4、Ultralytics 版YOLOv3版的代码。

股权激励行权申请书和行权确认书.doc

1、YOLOv3电塔绝缘子训练好的模型，压缩包内有代码，代码为ultralytics版YOLOv3， 2、classes: Insulator 3、内有map、pr、recall、loss等曲线图

Visdrone数据集YOLOv5训练权重： 1、包括训练好的YOLOv5s-visdrone.pt 和yolov5m-visdrone.pt两个模型 2、包含各种训练曲线 3、包含相关场景测试视频 4、附上了yolov5-5.0的代码

yolov4文章，yolov4程序，以及yolov4预训练权重文件，结合opencv可以实时检测,效果相当的好。

stata做空间计量回归，简单易学，里面有详细的操作说明，小白也能学会哦。拍下即送地级市以及省级权重矩阵（4种都送），经济距离、反距离矩阵、经济地理矩阵、0 1矩阵

l-曲线矩阵代码代码代码 该存储库适用于以下论文中介绍的自我正则化加权稀疏（SRWS）模型，并在Matlab R2018a中构建。 Zhang T，Peng Z，Wu H，et al。 [J]。 神经计算，420：124-148。 有关我的更多信息，您可以访问我的。 内容 介绍 红外搜索与跟踪（IRST）系统已在许多领域中广泛使用，但是，在复杂背景下检测红外小目标仍然是一项艰巨的任务。 本文提出了一种新的检测方法，称为自规则加权稀疏（SRWS）模型。 该算法是针对数据可能来自多个子空间的假设而设计的。 并且，可以检测背景结构信息的重叠边缘信息（OEI）被用于约束稀疏项并提高准确性。 此外，自正则项用于在背景中挖掘潜在信息，并从多个子空间中提取杂波。 因此，红外小目标检测问题转化为优化问题。 通过将优化函数与乘积交替方向法（ADMM）结合，我们解释了SRWS的求解方法并优化了其迭代收敛条件。 一系列实验结果表明，所提出的方法优于最新的基线。 图1.红外图像转换为斑块图像的插图。 图2.背景估计能力的图示。 （a）-（d）是原始图像； （e）-（h）是通过IPI估计的背景，采用单个子空间方

autoware1.14的YOLO2、YOLO3权重文件

运用VBA代码实现层次分析法权重计算，可以自动计算权重向量，并进行一致性检验，从而减少计算权重向量的重复性工作，使层次分析法可以便于计算

matlab开发-加权归一化交叉相关。通过标准化互相关（但使用加权模板）在图像中执行模式匹配