Pytorch implementation of RetinaNet object detection.

Ar_project 本人参加2020全国大学生物联网设计大赛所做项目负责的软件部分，获得华东赛区特等奖、全国总决赛二等奖。 该项目包含了导航系统、语音系统、目标检测系统三个部分，涵盖语音唤醒、语音识别、语音合成、语音导航、聊天机器人、目的地搜索、路径规划、车道分割、目标检测(车、车牌、违规车、路标等)、车牌识别等一整套快速解决方案！（附带的两个模型为基于玩具车和模型道路数据集的....） 项目技术架构如下图 目录结构 Project ├─AR_project_PI │ │ ARPImain.py //树莓派客户端主程序,用于调度树莓派端一切数据传输线程、界面更新、信号处理等，整合树莓派端的语音控制系统、导航系统、数据传输系统 │ │ ARui.py //主界面类，调用webBrowser类实现内嵌浏览器功能，定义所有界面信号的槽函数 │ │ Arrowclass.py //箭

雷达目标检测，雷达弱目标检测matlab 效果很好

实现基于贝叶斯框架的目标检测技术研究，创建了GUI界面，实现了时间差分法、背景减除法、光流法、高斯背景建模算法等多种算法处理效果对比，还实现了灰度处理、二值化等多种图像处理功能

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