通过使用bbox批注检测5k图像上的人员和安全帽，提高工作场所的安全性。该数据集包含以下3类的5000幅图像，这些图像带有PASCAL VOC格式的边界框注释：头盔;人; 头。

3D-点云 有关点云的论文列表和数据集。 数据集可以在找到。 调查文件 [arXiv 2021] [arXiv 2021] [arXiv 2021] [TPAMI 2020] [IJCV 2016] 2021年 心肺复苏术 [ compression ] [ completion ; ] [ ] autonomous driving[ autonomous driving ； ] [ autonomous driving ； ] [ completion ] [ det ; ] [ registration ] [ det ; ] [ scene flow ] [ det ] [ seg ; ] [ reg ; ] [ det ; ] [ ] [ cls ， det ; ] [ det ; ] [ det ; ] [ d

Tor流量检测 该项目旨在检测流量是否来自 Tor 网络。 源自或发往 Tor 出口节点的流量几乎肯定是 Tor 流量。 更复杂的识别策略就不那么简单了。

全血细胞计数（CBC）数据集 数据集包含360个血液涂片图像及其注释文件，这些图像分为Training ， Testing集和Validation集。 训练文件夹包含300张带注释的图像。 测试和验证文件夹都包含60张带有注释的图像。 我们已经对进行了一些修改，以准备此CBC数据集，其中一些图像注释文件包含的红细胞（RBC）低于实际值，并且一个注释文件完全不包含任何RBC，尽管细胞涂片图像包含RBC。 。 因此，我们清除了所有错误文件，并将数据集分为三部分。 在360个涂片图像中，首先将300个带有注释的血细胞图像用作训练集，然后将60个带有注释的图像中的其余图像用作测试集。 由于数据不足，训练集的一个子集用于准备包含60个带注释图像的验证集。 纸 修改并准备好的数据集以 :link: 如果您使用此数据集，请引用本文： @article{alam2019machine, title={

楼梯检测 楼梯检测算法

YOLO v3对象检测器的PyTorch实现 [更新]：此存储库用作我研究的驱动程序代码。 我刚刚大学毕业，并且在最终申请硕士学位之前非常忙于寻找研究实习/研究职位。 我暂时没有时间研究问题。 谢谢你。 该存储库包含用于基于实现的YOLOv3 的对象检测器的代码。 该代码是基于官方代码 ，以及原代码的PyTorch端口，通过。 该代码的目标之一是通过删除代码的冗余部分来改善原始端口（正式代码基本上是完全成熟的深度学习库，其中包括诸如序列模型之类的东西，而YOLO并未使用这些东西）。 我还尝试将代码保持在最低限度，并尽我所能对其进行记录。 从头开始构建此检测器的教程 如果您想了解如何从头开始自己实现此检测器，则可以阅读我在Paperspace上撰写的非常详细的5部分教程系列。 非常适合想要从初学者过渡到中级火炬手的人。 到目前为止，该代码仅包含检测模块，但是您应该很快会收到培训模块。 :

1、北理工卡车位置图片数据集，2100张RGB，2100个xml文件。 2、Tiny_YOLOV1检测模型，精度达到97%。

带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载

论文阅读笔记Vanishing Point Constrained Lane Detection With a Stereo Camera (IEEE 2017)

视频图matlab代码 Tracking_by_detection A Python3-based system use yolov3/KCF&DSST/KF to detect,tracking and estimate the target（people and cars） location. 这是我的本科毕设项目，主要通过YOLOv3识别，利用KCF-DSST-APCE完成抗遮挡的尺度变化跟踪，并用卡尔曼滤波估计位置。 视频效果/video ： Test environment Intel Core i5-8300H Nvidia GTX 1050Ti Ubuntu 18.04LTS Python3 OPENCV3.4.4 Requirements CUDA9.0 CUDNN7 Python3 OPENCV Numpy Numba Code structure yolo.py:detect fhog.py:give fhog feature tracker.py:track run.py:basic framework run2.py:add more visualization