数据集包含以yolo格式包含图像以及txt文件。数据集包含与面罩有关的数据。 Face Mask Detection(Images with YOLO Format)_datasets.txt Face Mask Detection(Images with YOLO Format)_datasets.zip

异常检测-KDD99-CNNLSTM 这是一个使用三个模型开发的项目，用于对KDD99数据集上的倾斜数据包进行分类。 使用了三层：KNN，CNN + LSTM和随机森林分类器。 该项目是一个基于研究的项目，与单独使用任何给定模型相比，该模型在性能上均略有提高。 KDD'99数据集按原样使用，并且已作为项目源的一部分进行了预处理。 最终精度为0.97833。 单个模型的个体精度为： KNN：0.976835 CNN + LSTM：0.9667878 随机森林：0.96381378 主要思想是在相同的数据上训练3个不同的分类器模型。 然后，我们将所有这些模型用作单个整体学习模型（或中间的某个位置的投票分类器）。 系统中有2个主要层： 第一层具有KNN和CNN + LSTM。 他们一起工作，并提供2种不同的输出。 第二层具有随机森林分类器，以对来自上一层的所有冲突实例进行分类。

经典信号检测著作 H. Vincent Poor

tensorflow object detection API github下载 2020年2月版本 完整版

svt有112M，这里分成两部分上传。 这是第1部分。

有关设置环境，请阅读SETUP.md 息肉定位和检测 这项工作是在EEML暑期学校（2019年）期间介绍的。在 查找随附的海报。 对于我们的定位和检测任务，我们使用了ColonCVC数据集和ETIS-Larib数据集。 1.息肉本地化 这里的任务是训练完全卷积网络（FCN-8）为息肉创建分割蒙版，然后在其周围绘制一个边界框。 要训​​练FCN-8，请运行main.py 要评估/测试模型，请运行predict_masks.py 2.息肉检测 这里的任务是训练物体检测网络。 我们使用SSD（单发Multibox检测器评估我们的结果）。 代码适用于Faster R-CNN和SSD 。 要训​​练

认知无线电频谱感知的能量检测程序。

车辆检测-MobileNetSSD 车辆计数检测模型，可以读取实时移动物体并定义其类别。该模型使用DNN来检测和分类可能在任何给定帧中的不同对象。我们使用的模型是Caffe版本的模型，称为MobileNet-SSD，它使用了Google的称为MobileNet的框架与另一个称为Single Shot Detector（SSD）MultiBox的框架的混合体。 输出已保存为名称“ Output_mobilenet-ssd.mp4”。

Global Wheat Detection ：Can you help identify wheat heads using image analysis? 全球小麦检测：您可以使用图像分析帮助识别小麦头吗？ This dataset contains wheat heads from outdoor images of wheat plants, including wheat datasets from around the globe. There are more than 3,000 images from Europe (France, UK, Switzerland) and North America (Canada) for training. The test data includes about 1,000 images from Australia, Japan, and China. 本数据含有室外的小麦植物图像（来自全球的小麦数据集）。其中有来自欧洲（法国，英国，瑞士）和北美（加拿大）的3,000多个图像作为学习数据。测试数据包括来自澳大利亚，日本和中国的约1,000张图像。 Global Wheat Detection.xlsx

使用相拉伸变换的图像特征检测 相位拉伸变换（PST）是在图像中查找特征的运算符。 PST将强度图像I作为其输入，并返回大小与I相同的二进制图像，其中1表示函数在I处发现尖锐的过渡，而0表示在其他位置处的急剧过渡。 PST功能还能够以灰度级（即没有阈值）返回检测到的特征。 在PST中，首先先通过平滑滤波器对图像进行滤波，然后再应用PST相位内核描述的非线性频率相关相位。 变换的输出是空间域中的相位。 主要步骤是通常在频域中应用的2-D相位函数（PST相位内核）。 施加到图像的相位量取决于频率，而施加到图像的较高频率特征的相位量也更多。 由于尖锐的过渡（例如边缘和拐角）包含更高的频率，因此PST