编队攻击检测与防御
多机器人编队控制。 攻击者攻击编队，并且编队可以通过SVM检测到攻击者，然后通过拓扑变换防御攻击。 您可以运行Attacker.m或Defender.m。 我已经对编队进行了一些训练，并将它们存储在.mat中。
该阵型由五个圆圈建模：
有一个攻击者是红色的：
长时间后，编队可以检测到受SVM攻击的机器人：
之后，我们输出路径和S进行验证：
2021-06-11 21:06:52
1.23MB
1
物联网网络入侵检测
UNSW-NB15是网络流量数据集，具有不同类别的正常活动和综合攻击行为。
在此处找到数据集： ：
该项目包括UNSW-NB15数据集的分类模型，我使用随机森林和前馈神经网络开发了该模型。 系统使用将数据分类为正常或恶意数据的随机森林。 然后，此信息将用于训练神经网络，以将攻击数据进一步分类为不同的攻击类别。
攻击检测的结果非常好，大约为。 攻击精度为0.88，普通数据采样精度为近1.0。 攻击分类在区分攻击类别方面存在问题，并且可以将攻击大致分为两个不同的类别。 但是，它可以对正常的网络数据进行准确分类。 有关更多详细信息，请参见该报告。
要求
已在Python 3.6上测试。
数据集。
依赖项：Keras（早于Keras 2），Theano / Tensorflow，Numpy，Pandas，h5py，matplotlib
至少8 GB RAM和足够
2021-06-10 11:33:48
9KB
1
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。
2021-06-09 13:10:59
1.22GB
1
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
2021-06-08 23:22:50
1.09MB
1
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。
2021-06-08 18:05:22
57KB
1
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={
2021-06-07 19:54:49
8.63MB
1
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。 :
2021-06-07 17:18:49
2.1MB
1
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%。
2021-06-07 14:07:16
805.59MB
1
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
2021-06-07 10:00:44
411KB
1