这是一个使用python语言编写的针对于摄像头的实时目标检测。没有训练过程。如果你想玩一玩，实际应用的话，可以下载一下。通过Open CV调用网络模型,对实时视频进行截取预测 实时性较高。内包含工程文件夹，网络模型，数据集类别等 即下即用。

图像的先验信息在降低CS反演的计算复杂度和提高重建质量方面起着重要作用。 本文提出了一种基于小波的多元追踪算法，该算法利用了图像的先验信息，而这些信息超越了简单稀疏性。 所提出的方法以多变量方式从多次测量中重建图像小波系数，并以提取的图像边缘作为先验信息来指导算法在CS恢复中的追踪过程。 通过边缘信息与多元联合恢复的交互作用，该算法显着提高了边缘明显，稀疏度高的CT，MRI等图像的重建质量。 数值实验表明，与其他最新的CS算法相比，所提出的算法具有更高的重构质量并保持更高的计算效率。

迷你JS控制台，跟踪控制台日志和检测JS错误/警报，并通过chorme通知显示它们。 通过访问控制台日志，并获取有关自定义日志，错误和任何警告/警报的通知，此扩展程序将帮助您轻松调试网站。 它可以通过以下方法帮助客户端开发人员更轻松地调试JS代码：1.显示Mini JS控制台，以检查扩展中的最新控制台日志。 2.检测JS错误并显示日志/错误/警告/警报的镶边通知，可以仅在开发域或所有域上启用它。 3.禁用缓存选项，无需打开Chrome DevTools即可清除开发者缓存文件（仅在启用了域的情况下有效）。 4.执行简单的JS表达式/全局变量。 其他实用程序：1.每次刷新页面时清除缓存。 2.将jQuery / Underscore库加载到要在控制台中使用的页面。 3.禁用警报弹出窗口。 所有功能：--------------重新加载页面后保留日志。 -禁用通知选项：全球范围内的警报，警告或错误。 功能：-------------- *新增：通知菜单中的“不再显示”选项。 *新增：使用以下代码在代码中自定义$ log选项：```window。$ JSC && $ JSC.log（`test`）; ```*如果Swift重复，则禁用任何通知！ *触发通知时显示未读计数。 *使用全局“活动”开关启用/禁用扩展。 *复制通知输出到chrome通知弹出窗口中。 *仅在特定的开发域上启用/禁用通知。 *使用全局“显示通知”开关启用/禁用所有通知。 *通过“启用日志堆栈”开关启用/禁用chrome DevTools中的详细堆栈。 重要-----------要在本地页面上使用，您需要在扩展标签中启用“允许访问文件URL”选项。支持-----------如果您有如有任何疑问或希望报告错误，请使用上方“详细信息”标签中的“支持”链接。 支持语言:English

出色的遥感变化检测：与遥感变化检测有关的数据集，代码和竞赛的列表

本文研究了基于增量算子方法为不确定TS模糊模型设计鲁棒故障检测的问题。 借助于TS模糊德尔塔算子系统，通过德尔塔算子方法构建了一个模糊故障检测滤波器系统。 最坏情况下的故障敏感度是根据线性矩阵不等式制定的。 提出的故障检测滤波器不仅确保从故障信号到残留信号的H（-）增益大于规定值，而且还确保从外源输入到残留信号的H（-）增益小于规定值。关于线性矩阵不等式的可解性的规定值。 线性矩阵不等式可以通过有效的算法求解。 提供了一个数值示例来说明所提出的设计技术的有效性。

针对口罩检测，进行调研，包括了分类器的设计，人脸检测的设计。 其中主要分为两阶段，先是人脸检测，然后将检测到的人脸，进行二分类，标签为戴口罩，不戴口罩。包括了pytorch的代码，ppt的讲解，技术文档。 人脸识别是MTCNN，然后分类可以自己训练，我采用的是ResNet-18.

以前的分散式认知媒体访问控制（DC-MAC）协议允许次要用户（SU）独立搜索频谱访问机会，而无需中央协调员。 DC-MAC假定检测方案在物理（PHY）层是理想的。 实际上，在分布式频谱共享方案中，更复杂的检测算法是不切实际的。 由于PHY层的能量检测（ED）计算和实现复杂度较低，因此已成为最常用的方法。 因此，至关重要的是在PHY层将DC-MAC与ED集成在一起。 但是，ED需要最低采样时间（MST）持续时间才能在低信噪比（SNR）环境中实现目标检测概率。 否则，将无法达到预期的检测性能。 在本文中，我们推导了在低SNR环境中ED的MST的准确表达。 然后，我们提出了一种基于MST的优化DC-MAC（ODC-MAC）协议，该协议对上述带有ED的DC-MAC问题进行了修正。 此外，对于DC-MAC和ODC-MAC都导出了不可靠的数据传输概率的闭式表达式。 我们表明，仿真结果与理论分析吻合良好。 与传统的DC-MAC相比，所提出的ODC-MAC可以提高数据传输的可靠性并提高吞吐量。

DS-UWB通信系统中使用可变长度训练序列的有限反馈自适应检测

提出了一种利用多个图像特征的曝光过度区域检测学习算法。该算法利用像素的亮度和颜色特征以及光的新特征-色度和边界邻域来构造特征向量。 采用L2正则化的一次逻辑回归方法获得最优分类器mod-e1。 实验结果表明，与直接强度阈值法和其他基于亮度和色彩特征的方法相比，该算法在区域连通性方面能更好地检测出过度曝光区域。