行人或办公室场景，人员打电话裁剪图，训练集，共8201张图片，带xml格式标注文件，另有相同场景未打电话照片。可用于目标检测或者分类场景数据集。

MATLAB实现图像去噪 滤波 锐化 边缘检测 源程序代码（初学者，图像实现效果一般）

绝缘子作为输电环节中的重要设备，在支撑固定导线，保障绝缘距离的方面有着重要作用。深度学习技术的大量应用，计算机运算性能的不断提高，为无人机准确识别和定位绝缘子，实时跟踪拍摄开辟了新的解决途径。本文对输电线路中绝缘子进行识别及定位，利用深度学习技术采取基于YOLOv5 算法的目标检测手段，结合绝缘子数据集的特点，对无人机拍摄图片进行训练，实现对绝缘子精准识别和定位，大幅提升无人机巡检时对绝缘子设备准确跟踪、判定的效率，具有十分重要的应用效果。本项目可以作为计算机专业毕业涉及，提供处理好的数据集、视频和三组训练好的模型，部署简单，并且具有可用于图片检测和视频检测的图形化界面，方便易用。

在opengl游戏编程中碰撞检测的算法具体实现，并且提供了游戏的山地游戏场景搭建。

--Tensorflow+SSD+Yolo（目标检测）文章8.YOLO_v3训练过程 该资源是本篇文章的操作步骤以及参考帖子的截图，以防参考帖子失效。

本模块主要是ADC采集信号波形进行峰值检测，主要是检测单音信号或者脉冲信号中的所有峰峰值信号（对噪声大信号适用性不是很好），并记录峰值点的位置； 主要是对并行数据排序处理，本例程是处理 2Gsps adc 输入到FPGA中的8路并行数据，data_1~data_8（点顺序是data_1最先出来，依次排序，data_8是一个时钟并行数据最后点）, 同时寄存 比data_1之前一点数据 adc_data_first；寄存data_8之后晚一点数据adc_data_end；这样有助于data_1和data_8这两点边界检测；其中主要思想是抽取连续三点进行比较，检测三个点中中间位置数是否是峰值，如果是就对其保留输出，并记录此峰值位置（16位计数器，采集长度也是16位，这个是不固定可以更改）；温馨提示本例程是连续3点检测，读者也可以进行连续5点检测，检测有效会比3位更好；此例程较为简单，本例程只是参考，提供一种思路，有不足之处多多指教~

Python语言；代码包括有原始图像确定ROI；对前方道路的透视变换；边缘检测（采用sobel采用 x 方向的索贝尔算子）;在RGB色彩空间中对黄白两种颜色进行过滤从而提取出车道线的像素；HLS阈值化处理；组合梯度和色彩过滤车道线像素；滑窗多项式拟合车道线；拟合曲线使用透视变换还原到原视角。

针对功率单元串联式无功发生器对单相无功电流的检测需要,依据无功功率理论及电流在两相静止坐标系与旋转坐标系中的变换关系,提出了新的单相无功电流检测方法,相对传统的ip-iq法,此方法减少了计算量,提高了检测方法的实时性,且适用于单相和三相四线制电路。并在Matlab/Simulink环境下对提出的单相电路无功电流检测方法进行了建模,通过仿真验证了本控制方案的有效性。

自述文件 - A-KAZE 功能 该库是 AKAZE 特征检测器和描述符算法的实现，其中删除了 OpenCV 依赖项。 这允许更灵活地使用 AKAZE 功能，而无需依赖 OpenCV。 此库的唯一依赖项是特征矩阵库。 我们努力使代码与原始实现保持相对一致，以便更容易跟踪和比较。 主要区别在于： 一切都在命名空间 libAKAZE 中 关键点和描述符是最小的自定义结构，而不是 OpenCV 的结构 图像保存在具有浮点像素的行主特征矩阵中 线程数可以在运行时设置 在我的实验中，这个实现比 OpenCV 实现慢了不到 1.5 倍。 这是因为 OpenCV 有许多用于图像处理的手写 SIMD 优化。 但是，此实现确实提供了与 OpenCV 相同的关键点和描述符（误差在 0.1% 以内）。 注意：如果您有关于如何提高性能（即图像卷积和图像半采样）的建议，请给我发电子邮件或提出请求！ 我还要感

二阶梯度matlab代码UntrimmedNet用于动作识别和检测 我们提供了CVPR论文的代码和模型（）： UntrimmedNets for Weakly Supervised Action Recognition and Detection Limin Wang, Yuanjun Xiong, Dahua Lin, and Luc Van Gool in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017 更新 2018年10月16日 释放仅在ActivityNet1.2数据集的训练集中训练的学习模型。 请注意，我们先前发布的ActivityNet模型是在train + val集合上训练的。 2017年9月19日在THUMOS14和ActivityNet1.2数据集上发布学习的模型。 2017年8月20日释放模型原型。 指导 UntrimmedNet的培训包括三个步骤： 步骤1 ：为每个未修剪的视频提取动作建议（或镜头边界）。 我们在ActivityNet（v1.2）上的data/anet