蝼蛄目标检测VOC数据集1300张手动标注

目标检测VOC数据集天牛1000张手动标注目标检测

基于小波分析的图像去噪程序 函数等基本的程序

1.领域：matlab，Mask-RCNN 2.内容：基于Mask-RCNN的高精度目标检测和识别matlab仿真+代码仿真操作视频 3.用处：用于Mask-RCNN的高精度目标检测和识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

关于雷达基础的一些知识，主要包括泛函分析与小波变换

# 文献链接 ----- ## 图像分类(Classification) ## 目标检测(Object Detection) ## 目标分割(Segmentation)

目标检测体验课数据集合集.zip

针对目前主流的目标检测算法检测效率不高以及小目标检测困难的问题，提出一种改进的 SSD( SingleShot MultiBox Detector) 算法，并将其应用于道路环境车辆目标的检测。设计一个目标检测网络结构，对高层特征图不进行降采样，使用空洞卷积和深度可分离卷积层来提高模型性能，并使用 K-means 算法来对模型参数进行优化。在 Udacity 道路环境数据集上进行对比实验，结果表明，该算法对车辆目标检测的平均精准度达到了58． 01% ，检测速度达到了 86． 26 帧每秒，相比原 SSD 算法有明显提升。

SSD 算法利用多尺度特征图进行分类和位置回归，检测小目标效果优于 YOLO 算法，但 SSD 算法在进行车辆检测时存在漏检问题。为此，提出一种改进 SSD 算法。为提取更多的车辆特征信息，设计改进 Inception 模块替代 SSD 网络中的 Conv8、Conv9 和 Conv10 层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合，构建多尺度特征融合均衡化网络，提高小目标车辆识别率。在特征提取层均引入 SENet，对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明，改进后 SSD 算法在自制的车辆数据集上平均精度为 90.89%，检测速度达到 59.42 frame/s，相比改进前的 SSD 算法，在精度和速度上分别提高 2.65 个百分点和 17.41 frame/s，能够更快速、准确地对图像中的车辆进行识别和定位。

包括pascal格式和yolo格式