2D目标检测在自动驾驶领域存在很多问题，因为自动驾驶的空间首先是在3D层面上的，而且需要使用RGB图像、RGB-D深度图像和激光点云，输出物体类别及在三维空间中的长宽高、旋转角等信息。这一类检测称为3D目标检测。随着Faster-RCNN的出现，2D目标检测达到了空前的繁荣，各种新的方法不断涌现，百家争鸣，但是在无人驾驶、机器人、增强现实的应用场景下，普通2D检测并不能提供感知环境所需要的全部信息，2D检测仅能提供目标物体在二维图片中的位置和对应类别的置信度，但是在真实的三维世界中，物体都是有三维形状的，大部分应用都需要有目标物体的长宽高还有偏转角等信息。例如下图Fig.1中，在自动驾驶场景下

依据氧气对物质荧光的猝灭作用，研究了一种基于时域荧光寿命的水体溶解氧浓度检测方法，根据荧光猝灭曲线上的两点计算荧光寿命，并通过Stern-Volmer方程反演获得水体溶解氧浓度。结果表明：相同溶解氧浓度下，归一化处理后的荧光猝灭曲线不受激发光强度和激励持续时间等激发条件的影响；不同溶解氧浓度下，实测荧光寿命受系统延迟的影响，补偿后荧光寿命理论曲线与修正曲线具有良好的一致性，拟合相关系数达0.9985。与HQ30d溶解氧分析仪对比，测试结果表明，0~20 mg·L-1范围内溶解氧质量浓度测量误差小于0.5 mg·L-1，线性相关系数达0.9992。

动态无功电流的实时检测方法研究，文中主要分析了三种检测方法并附有仿真结果及结果分析等。

MATLAB血氧处理代码挑战链接： 介绍 败血症是一种危及生命的疾病，发生在人体对感染的React导致组织损伤，器官衰竭或死亡时（Singer等，2016）。 在美国，每年有近170万人患败血症，有270,000人死于败血症。 在美国医院中死亡的人中，有超过三分之一的人患有败血症（CDC）。 在国际上，每年估计有3000万人患有败血症，并且有600万人死于败血症。 估计有420万新生儿和儿童受到影响（WHO）。 脓毒症每年给美国医院造成的费用超过240亿美元（占美国医疗保健费用的13％），其中大部分费用用于未在入院时诊断出的脓毒症患者（Paoli等人，2018）。 在全球范围内，败血症的成本甚至更高，而发展中国家面临的风险最大。 总而言之，败血症是主要的公共卫生问题，导致大量的发病率，死亡率和医疗保健费用。 败血症的早期发现和抗生素治疗对于改善败血症结果至关重要，因为延迟治疗的每一小时都会使死亡率增加约4-8％（Kumar等，2006； Seymour等，2017）。 为了帮助解决这个问题，临床医生为脓毒症提出了新的定义（Singer等人，2016），但仍然需要尽早发现和治疗脓毒症的基

汽车离群值检测.ipynb

汽车价格离群值检测数据集

DFT的matlab源代码火焰探测系统 该项目是基于视频的多功能火焰检测系统的不完全实现，这是我的毕业设计。 一些话要说 当我开始研究该主题时，我在Internet上发现了很多文章和很少的代码。 因此，当我最终完成它时，我决定将其开源。 请注意，该项目尚未准备好实际应用。 由于在该项目上花费的时间有限，因此仅对代码进行了部分优化。 但是，在Mac上进行测试时，响应时间是完全可以接受的。 搭建环境 该项目是在Mac OS X 10.9.3上使用Xcode 5.0.2构建的，并且是通过OpenCV 2.4.8实施的。 由于它不使用特定平台的任何本机接口，因此可以轻松移植到其他平台，例如Windows，Linux，Android等。 如果要使用保存视频功能，则需要确保OpenCV编译时支持FFMPEG，否则请自己编译。 结果 以下两个图像显示了结果。 流程 首先，使用颜色检测和运动检测对输入图像进行分割，然后提取候选火焰区域。 使用高斯混合模型进行背景建模以检测运动像素。 使用基于RGB和HSV颜色空间的火焰颜色模型来检测具有类似火焰颜色的像素。 将以上两个步骤的结果相交，以获取候选区域。

本文介绍了一种基于51单片机的压力检测系统设计。该系统采用了压力传感器进行压力检测，并通过51单片机进行数据处理和显示。文章详细介绍了系统的硬件设计和软件设计，并对系统进行了实验验证。实验结果表明，该系统具有较高的精度和稳定性，可以满足实际应用需求。

Halcon深度图转点云

目标检测玩手机数据集-无标签，目标检测玩手机数据集-无标签，目标检测玩手机数据集-无标签，目标检测玩手机数据集-无标签，目标检测玩手机数据集-无标签，目标检测玩手机数据集-无标签，目标检测玩手机数据集-无标签