PPT分享Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

数据集为美国军用飞机检测数据，包含34种飞机类型。 Military Aircraft Detection Dataset_datasets.txt Military Aircraft Detection Dataset_annotation_samples_datasets.zip Military Aircraft Detection Dataset_yolov5_detections_datasets.zip Military Aircraft Detection Dataset01_dataset_datasets.zip Military Aircraft Detection Dataset02_dataset_datasets.zip

CONVNET_Eye_Detection 动机 卷积神经网络旨在检测睁眼和闭眼的图像之间的差异。该检测在自动驾驶领域中尤其重要，以确保驾驶员不会睡在方向盘后方。 该数据集包含从野外（LFW）数据库中的“带标签的面Kong” [1]中选择的4852个眼睛的图像，它们分为2类打开和关闭。 所有功能都通过sklearn的StandardScaler类进行了标准化。分类标签也使用sklearn的Labelencoder类进行了数值转换。最后，将转换后的类向量整数标签转换为二进制矩阵，以促进与keras的to_categorical类进行分类交叉熵。 神经网络拓扑和结果摘要 二进制交叉熵损失函数与Rmsprop优化器一起用于此分类任务。 经过10个时间段后，训练和验证集分类器在区分睁眼和闭眼的图像时达到了约93％的准确度。 执照 参考 [1] Gary B. Huang，Manu Ramesh，T

目标检测，机器学习

是检测估计和调制理论的经典著作,最新版，2013版，英文原版，Highly readable paperback reprint of one of the great time-tested classics in the field of signal processing Together with the reprint of Part III and the new Part IV, this will be the most complete treatment of the subject available As imperative today as it was when it originally published Has important applications in radar, sonar, communications, seismology, biomedical engineering, and astronomy Includes section summaries, examples, and a large number of problems

Google MediaPipe Objectron (3D Object Detection) 三维目标检测

集成的聚合物波导生物传感器通常用于检测化学/生物样品。 为了提高传统的仅具有一个感测表面的波导传感器的灵敏度，我们基于电感耦合等离子体刻蚀方法设计并制造了具有三个感测表面的改进的感测窗，在理论上其灵敏度可以提高2.8倍。 系统研究了刻蚀参数的影响，尤其是天线功率，偏置功率和氧气流速的影响，并对刻蚀参数进行了优化，以制作出感应窗。 在这种最佳刻蚀条件下，制造了具有改进的感测窗的单模平衡马赫曾德尔干涉仪波导生物传感器，其灵敏度高于传统感测窗的传感器。 这种类型的感测窗口在聚合物波导生物传感器设备中将非常有用。

在对海洋监视监测的过程中,高频地波雷达的船只目标检测能力与其对海杂波的抑制能力密切相关。但是,传统海杂波时域抑制方法存在目标回波参数与海杂波相近时难以区分其各自分量,对消时目标被误消除的问题。针对上述问题,本文提出了一种适用于高频地波雷达海杂波的边界约束循环对消方法。该方法综合海杂波频移理论和实际海杂波特性分析制定出边界条件,约束建模对消过程,实现海杂波分量的抑制。实测地波雷达数据和船舶自动识别系统(AIS)数据检验的结果表明,本文方法克服了传统方法的不足且信杂比改善更加稳定,能够更加有效地实现海杂波循环对消。

DCASE 2020-任务3-4月 这是我们对DCASE2020任务3挑战的贡献。 （C）2020年AndrésPérez-López和RafaelIbañez-Usach。 如[1]中所述，该存储库保留了参数粒子过滤器（PAPAFIL）方法的实现。 该方法如何工作？ PAPAFIL基于四个主要构建块： 估计单源TF仓并计算其瞬时窄带DOA。 使用粒子跟踪系统将DOA转换为一致的事件轨迹和激活。 使用这些注释在空间和时间上对B格式输入信号进行过滤，从而产生单音事件估计。 使用基于GBM的单分类器将分类标签分配给每个事件估计。 下图描述了该体系结构，其中Omega和Ypsilon

糖尿病发作检测 @machinelearning{han2021cs, title={Diabetes Onset Detection using Keras Model}, author={Nguyen, Han}, year={2021}, associate={Personal Project} } 简要描述;简介 该项目是一个基于机器学习的应用程序，通过Keras模型和寻找最佳超参数的训练方法（使用网格搜索和scikit-learn并优化神经元数量）来预测个人是否患有糖尿病。 有关更多详细信息，请参阅《 我学到的是 在这个项目中，我利用自己的知识来构建Keras模型，以及对参数的不同更新（从学习率，辍学，激活，神经元初始化），以了解哪种方法可以产生最佳的准确性。 我还了解到，使用此模型，训练精度非常高； 但是，测试精度略低于80％。 这意味着我们在误报和误报方面