汽车检测 基于对YOLOv2的迁移学习内置的神经网络模型 训练集来自于drive.ai 项目图文介绍及核心代码见 如无法打开，可参考以下文字介绍 以下对项目实现原理做一个简要介绍 这是我在coursera的深度学习课程上完成的一个项目的源代码，属于一个自动驾驶项目的一部分，用于检测道路上的车辆及其他障碍物 数据的采集是通过汽车初步摄像头拍摄，输入数据是多个维度为（608,608,3）的RGB格式图片 输出是一个四维向量（19,19,5,85）的向量，最后一维结构为（p，x，y，h，w，c1，c2……c80）： p表示图片上检测出目标物体的概率，取值（0,1） x，y表示物体中心点坐标（这里需要注意的是这个坐标表示的是每个网格内的坐标而不是整个图片的） h,w表示用于标记物体的方格的高度和宽度 c1-c80表示可以识别的80种物体类型的概率，取值在（0,1），可以检测的物体类型在coc

作者Verdu，是多用户检测的经典教材，虽然针对CDMA撰写，但仍可为新一代技术的研究所借鉴。

小波变换边缘检测matlab代码小波图像边缘检测 该代码实现了Mallat和Hwang（1992）的方法，该方法使用小波变换模量最大值方法检测图像中的边缘。 如参考文献中所述，此方法类似于Canny边缘检测方法，但在小波变换的上下文中进行了解释。 本文概述了通过“平滑函数”及其部分导数构造的小波。 在这里，选择的平滑函数是联合正态二维零均值方差高斯分布，部分是由于其在边缘检测和图像处理方法中的现有应用。 samples/目录包含一些样本输入图像和带有某些参数的代码输出。 输出文件名可以解释如下： s${integer}代表算法评估时的二进比例因子的指数。 因此s4表示生成的输出图像的比例因子为2 ^ 4。 t${number}代表最终阈值，该阈值用于消除图像中的任何残留噪声。 因此， t015表示从最终输出图像中删除了所有低于0.15的最终像素值。 要运行代码，请在matlab中打开wtmm.m文件，并将img_file_name值更改为图像的相对文件路径（最好是JPEG格式）。 然后，在运行代码之后，将弹出一个窗口，允许您保存输出图像。 在代码中调整scale和threshold值可

tensorflow-yolov4-tflite YOLOv4，YOLOv4-tiny在Tensorflow 2.0中实现。 将YOLO v4，YOLOv3，YOLO tiny .weights转换为.pb，.tflite和trt格式以生成tensorflow，tensorflow lite和tensorRT。 下载yolov4.weights文件： ://drive.google.com/open id 1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT 先决条件 Tensorflow 2.3.0rc0 性能 演示版 # Convert darknet weights to tensorflow # # yolov4 python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 # # yolov4-tiny python save_model.py --weights ./data/

matlab快速非支配算法代码 （示例面部检测结果来自anXDdd。） 项目4：带有滑动窗口的人脸检测 VL Feat Matlab参考： ＃＃概述 滑动窗口模型在概念上很简单：将所有图像块独立地分类为对象或非对象。 滑动窗口分类是对象检测的主要范例，特别是对于一个对象类别-面Kong-它是计算机视觉最引人注目的成功之一。 例如，现代相机和照片整理工具具有出色的人脸检测功能。 这些成功的面部检测（通常是对象检测）可以追溯到有影响的工作，例如和。 您可以查看这些文件，以获取有关如何实现检测器的建议。 但是，对于该项目，您将实现的更简单（但仍然非常有效！）的滑动窗口检测器。 Dalal-Triggs不仅着重于学习，还更着重于表示，并介绍了类似于SIFT的梯度直方图（HoG）表示（如右图所示）。 因为您已经实现了SIFT描述符，所以不会要求您实现HoG。 但是，您将负责其余的检测管道-处理异构训练和测试数据，训练线性分类器（HoG模板），并使用分类器以多个比例对数百万个滑动窗口进行分类。 幸运的是，线性分类器结构紧凑，训练Swift，执行速度快。 线性SVM还可以训练大量数据，包括开采的硬底

头盔检测_面部识别 一个建筑工地，头盔矿工，电工，建筑工人等类型的要求在工作中佩戴，可以有效地保护人员的安全，但是由于一系列不戴头盔的事故而引起的，给我们打了个电话，一些员工在工作本身没有戴头盔的情况下会增加安全风险，请稍加注意，以便有可能“发现”安全风险或事故。因此，在我们的项目中，将计算戴头盔的人数，不戴头盔的人数建议戴上必要的头盔。摄像机会检测到头部的数量，没有头盔的头部会标有红色斑点，并且还会检测到头盔，手套和鞋子，如果不戴，则这些部位也会显示为：红点。

IDL程序代码，去除tm/etm+条带，效果不错

简单的多数据集检测 在具有统一标签空间的多个大规模数据集上训练的对象检测器； ECCV 2020强大视觉挑战的获奖解决方案。 周兴义，弗拉德伦·科尔通，菲利普·克拉伦布， arXiv技术报告（ ） 联系人： 。 任何问题或讨论都欢迎！ 抽象的 我们如何建立一个通用而广泛的物体检测系统？ 我们使用曾经标注过的所有概念的所有标签。 这些标签跨越具有潜在不一致分类法的各种数据集。 在本文中，我们提出了一种在多个大型数据集上训练统一检测器的简单方法。 我们使用特定于数据集的训练协议和损失，但与特定于数据集的输出共享通用的检测架构。 我们展示了如何将这些特定于数据集的输出自动集成到常见的语义分类法中。 与以前的工作相比，我们的方法不需要手动分类。 我们的多数据集检测器在每个训练域上的性能和特定于数据集的模型一样好，但是可以更好地推广到新的看不见的域。 基于提出的方法的条目在ECCV 2020

水下小目标检测

Spam Review Detection with Graph Convolutional Networks