目标类别：hangmu(aircraf-carrier)。图片数量1000张，图片尺寸1024x1024，图片类型卫星可见光彩图，标签格式xml。

林业病虫数据集，使用目标检测算法对图片中的虫子类别和位置进行预测

coco特定类别数据提取，coco json处理(拼接多个coco json文件，修改类别id，coco json划分训练集和测试集，json编码格式解码)，根据mask图像生成coco json文件，超大图像分patch的coco json处理，coco json数据查看(box，seg)，coco json数据统计，coco json与csv相互转化，labelme转coco，rle格式生成，via工具coco json显示等等，助力你快速开始模型训练。

基于matlab的运动目标检测与跟踪算法研究视频讲解 项目简介：https://blog.csdn.net/babyai996/article/details/124091328 项目下载：https://download.csdn.net/download/babyai996/83434868

保证良心，4000张训练集数据+1000张验证集数据，分为Up,Down,Squat三种姿态。一共5000个图像数据集，比那些动辄100块的数据集又没几张图片来的好。VOC验证集中缺少200张左右，可以自己从YOLO格式转过来，YOLO数据格式是全的。有些图片中没有人体目标,所以label文件会比训练集和验证集少几张是正常情况。

对雷达信号处理中的恒虚警检测和动目标显示进行了仿真，对需要理解恒虚警检测的同学很有帮助

基于C++和OpenCV实现的逆透视变换(Inverse Perspective Mapping)源码，基于CMake构建，Linux/Windows/Mac均可使用。 车道线检测等算法中可以使用。

针对遥感影像中目标方向、目标大小、拍摄角度及场景的多样性导致飞机目标检测精度不高的问题，提出一种基于残差网络（ResNet）的目标检测新方法。首先采集并且标注遥感图像数据，这些数据包含了晴天、薄雾等多种气候条件下的遥感影像；然后构建图形金字塔和模板金字塔进行多尺度检测，并且加入残差网络的全卷积网络结构中不同层的上下文特征信息；最后通过拟合回归进行端到端的训练，得出鲁棒性强，精度高的目标检测网络模型。实验结果表明，该网络模型对于较复杂背景等干扰有较强的鲁棒性，检测精度高达89.5%。

热太阳能、大太阳能、小太阳能、风力涡轮机图像数据集的电厂远程损伤检测图像数据集（无人机图像，含VOC标签）

少量物体检测 （ECCV 2020）PyTorch实施的论文“野外物体的少量目标检测和视点估计” 如果我们的项目对您的研究有所帮助，请考虑引用： @INPROCEEDINGS{Xiao2020FSDetView, author = {Yang Xiao and Renaud Marlet}, title = {Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild}, booktitle = {European Conference on Computer Vision (ECCV)}, year = {2020}} 变更日志 [2020年12月15日]在download_models.sh中download_models.sh的CO