在红外（IR）图像序列中检测小目标是红外制导系统中的一项重要任务。 复杂背景的杂物通常会淹没小目标，从而使检测变得困难。 在复杂背景下实现高检测率和低误报率是一个主要问题。 我们提出了一种使用我们新的均匀性加权局部对比度测量（HWLCM）的红外小目标检测方法。 受人类视觉系统（HVS）确定显着性特征的能力启发，我们实现了使用中心和周围区域的局部对比特征以及周围区域的加权同质性特征来增强目标，同时抑制复杂区域的方法。背景。 我们的方法将每个图像分为带有滑动窗口的块，并为其计算HWLCM。 HWLCM可以增强实际目标并同时抑制干扰。 我们将自适应阈值应用于目标区域提取以进一步优化结果。 我们的实验结果表明，我们提出的方法比六种可比方法更有效，特别是在信号杂波增益（SCRG）和背景抑制因子（BSF）指标方面。

端到端的目标检测算法SSD,论文中涉及的目标框个数，长宽比等计算

红外飞机小目标数据集，共22个data文件夹，每个data文件夹都有标注，不需要自己再做标注。可用于深度学习中红外飞机小目标检测使用，包括天空背景、地面背景、多架飞机、飞机远离、飞机靠近等多种情况。 此处为data1，其他数据集可查看本人其他发布。

基于FPGA机器视觉的运动目标检测跟踪系统 随着计算机技术的飞速发展，数字图像技术在工业生产、安防监控、消费电子、智能交通等领域有了广泛的应用

本文档为本人对YOLOV2论文的翻译笔记，经过本人按原论文格式排版，校对，确保每处翻译不易出错，YOLOV2介绍了很多技术性改进方法，如果你想使用YOLOV3，建议你还是先阅读YOLOV2的论文，这样你能更清楚了解YOLOV3一些基本原理及技术

Faster-Rcnn：Two-Stage目标检测模型在Pytorch当中的实现。 详细操作见readme.md 文件下载 训练所需的voc_weights_resnet.pth或者voc_weights_vgg.pth可以在百度云下载。 voc_weights_resnet.pth是resnet为主干特征提取网络用到的； voc_weights_vgg.pth是vgg为主干特征提取网络用到的； 链接: https://pan.baidu.com/s/1H_YQxUvGrOXQeEQWPJvixQ 提取码: 9eai

yolov3数据增强实现

1、yolov3算法，采用mobilenetv3的轻量级水果检测算法； 2、仅包含预测部分代码，内含训练好的权重； 3、使用方法见readme； 4、内容可参考：https://blog.csdn.net/qq_40035462/article/details/116172637。

1、检测图片中是否有任务跌倒； 2、https://blog.csdn.net/qq_40035462/article/details/123136775

将yolov4检测推理模块潜入pyqt5可视化界面中。 OpenCV dnn模块调用yolov4 weight和cfg，实现自选图片和自选视频的检测，并在界面中展示出来。