小波变换作为一种新的时频分析方法，具有多尺度、多分辨率分析的特点，为信号处理提供了一种新的强有力手段。

一、脑电信号特点及一般处理流程 脑电信号特点： 随机性及非平稳性相当强。人脑是一个庞大而复杂的系统，按生理功能可分为许多基本环节，这些基本环节的生理活动相互影响、相互渗透地交织在一起，而其中存在的联系、制约关系及活动规律还没有被我们清楚地认识。因而，脑电信号表现出明显的随机性，一般不能用数学函数来准确表达，它们的规律主要从大量的统计结果中反映出来。 脑电信号具有非线性。脑电信号是大脑中各种神经元之间相互作用的信号的复杂组合，组合的非线性导致脑电信号具有非线性的特点。 信噪比低。在维持正常生理活动的条件下，生物体的各个基本系统之间存在着有机的联系，因而在脑电信号中存在着严重的背景噪声，而且噪声常常超过信号，导致信噪比很低。 信号微弱。人体脑电信号的强度很微弱，一般在微、毫伏级。

对小目标检测算法从检测流程、算法发展、常用评价指标、面临的挑战、小目标检测算法实验、小目标检测经典算法对比等几个方向进行总结，每一个点都很清晰，适合科研者或者研究生、本科生下载阅读使用。

YOLOv4:目标检测的最佳速度和精度,YOLOv4: Optimal Speed and Accuracy of Object Detection全文翻译PDF

小波去噪是信号处理领域中的热点与前沿课题。阐述了小波去噪的基本原理和方法。利用TMS320F2812 DSP高速的运算能力、强大的实时处理能力等特点，在DSP上实现小波阈值去噪算法，为小波去噪提供了实时处理平台。采用软阁值函数和tein无偏风险阈值2t(rigrure规则)对噪声污染信号进行小波阈值去噪处理，实验发现，该法可以很好的去除噪声，满足信号去噪的光滑性和相似性准则。

完整版深度神经网络及目标检测学习笔记.docx

【T-CSVT 多模态目标检测数据集（25个视频）】.7z

本文介绍了一个执行连续小波变换的Java示例应用程序。

1.一共有7193张标注过的口罩数据 2.分为3类，戴口罩、未戴口罩和没戴好口罩 3.以转换为yolo格式 4.可以直接给yolo系列目标检测算法进行训练 5.7193张图像均不重复，不是依靠数据增强获得的数据集 6.可用于后续数据增强处理 7.文件结构清晰，便于后续处理和拆分

1.训练好的yolov7口罩检测模型 2.模型存放在runs文件夹 3.内部有教程 4.精度93%左右 5.有多个训练好的模型可以使用 6.分为3类，戴口罩、未戴口罩和没戴好口罩