# 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

1.领域：matlab，yolov4目标检测算法 2.内容：【含操作视频】基于yolov4深度学习网络目标检测MATLAB仿真 3.用处：用于yolov4目标检测算法编程学习 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。

海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。 使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。 为此,在标准的SSD( single shot multiBox detector)目标检测模型基础上,结合 Xception 深度可分卷积,提出一种轻量 SSD 模型用于海面目标检测。 方法 在标准的 SSD 目标检测模型基础上,使用基于 Xception 网络的深度可分卷积特征提取网络网络中的 exit flow 层和 Conv1 层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量 SSD 目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。

为了能正确检测显著性图中的多个显著性目标，提出了一种基于全局颜色对比的显著性目标检测算法。该算法首先提取图像的全局颜色对比度特征，然后把显著性图和全局颜色对比度作为特征输入条件随机场框架中，得到二值显著性掩模，最后经区域描绘子计算得到包含显著性目标的最小外接矩形。在两种公开的数据集上的实验结果表明，该算法在精度、召回率以及F-测度方面的表现优于现有其他几种算法，在计算效率上也具有一定的优势。因此，所提出的算法在检测效果上优于现有的显著性目标检测算法，而且还能够检测到多个显著性目标。

工业仪表分割数据集， 可直接用于实际项目，数据均为实际项目中采集

仪表类（指针）检测数据集 800张左右 VOC格式 可直接用于实际项目，数据均为实际项目中采集 总大小1G左右 目标检测-yolo- 深度学习