该系列的第8批。包含一类目标：飞机。彩图，图片数量为1000张，尺寸为1024x1024，可用于目标检测算法的研究。标签保存到xml文件。

对图像进行小波变换融合

基于小波分析的海空背景下的红外小目标检测算法，基于小波互能量交叉的复杂背景中红外小目标检测方法

高光谱图像拥有成百甚至上千个波段，具有图谱合一的特点，与多光谱图像相 比，不仅分辨率更高，而且包含更加丰富的空间和地物信息，通过对比分析目标光 谱曲线，可以完成在其它成像模态下难以完成的目标检测任务

针对 YOLO 目标检测算法在小目标检测方面存在的不足 ， 以及难以在嵌入式平台上达到实 时性的问题 ， 设计出了一种基于 YOLO 算法改进的 dense _ YOLO 目标检测算法

文章利用小波变换和多分辨率分析的性质,从多尺度角度对图像边缘检测算法进行分析,总结出小波变换模极大值多尺度边缘检测算法。通过对标准图像Lena进行小波变换模极大值多尺度边缘检测结果发现,其比小波变换模极大值边缘检测算法和Canny算法在部分边缘检测中得到了更多的细节信息,使图像变得更真实。

1、行人检测数据集， 2、classes : person, 3、标签格式为xml和txt两种格式，数量近3900多张 4、可以直接用于YOLOv5行人目标检测

Caffe-SSD-对象检测 在Python中使用OpenCV在Caffe MobileNet上使用Single Shot MultiBox Detector进行目标检测。 SSD框架 单发MultiBox检测器可分为两部分： 使用基础网络提取特征 使用卷积滤波器进行预测 此实现将MobileNet深度学习CNN架构用作基础网络。 Caffe框架 Caffe是由Berkely AI Research和社区贡献者开发的深度学习框架。 Caffe。 这是使用Nvidia K-40 GPU每天训练超过600万张图像的更快的方法 运行代码 python detectDNN.py -p Caffe/SSD_MobileNet_prototxt -m Caffe/SSD_MobileNet.caffemodel 文章

AREOD 该存储库包含AREOD （用于对象检测的对抗鲁棒性评估）的代码，这是一个Python的库，用于进行对抗性机器学习研究，以正确地对标目标检测中的对抗性鲁棒性。 该存储库仍在开发中，我们使用3种针对对象检测模型的攻击来对逆向鲁棒性进行基准测试。 功能概述： 建立在tensorFlow上，并通过给定的接口支持TensorFlow和Kerasa模型 支持各种威胁模型中的多种攻击 提供现成的预训练基线模型（faster-rcnn-inception-v2-coco，多尺度GTRSB） 为bencmark模型提供方便的工具，并使用printor打印生成的对抗性样本 攻击方法清单 我们使用3种攻击方法生成对抗示例，下面的论文对此进行了介绍 ， ， ，。 稍后，我们使用连接的打印机将对抗性示例打印出来，以提供更高的性能基准。 安装 git clone https://github.c

在运行目标检测典型算法yolov2时，有不同的神经网络可供选择，该文件是tiny版本，文件提供了神经网络中不同类型的层的配置参数包括batch_size, width,height,channel,momentum,decay，learning_rate等。