1、基于matlab的平面面积测量及GUI设计，附有完整数据集 2、基于matlab的yolo目标识别，附有完整数据集 3、代码注释非常详细，非常适合学习

基于支持向量机的SAR图像目标识别，毕业设计的论文模板，做关于这方面的毕业设计，赶紧下载参考参考吧

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融 合SAR目标轮廓和阴影轮廓的目标识别算法。首先提出了一种基于去控制标记符的SAR图像 分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二 维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别。基 于MSTAR的实验结果验证了本算法的有效性。实验结果证明:目标轮廓和阴影轮廓的结合,除 反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一

摘 要：为了准确地进行 SAR图像目标识别，提出一种基于稀疏表示的 SAR目标识别方法，在用主成分分析（PCA）进 行降维的前提下，利用降维后的训练样本构建稀疏线性模型，通过 ℓ1 范数最优化求解测试样本的稀疏系数解 x ，利用 系数的稀疏性分布进行目标的分类识别。基于 MSTAR数据进行了仿真验证，实验证明，基于稀疏表示的 SAR目标识 别方法在一定的特征维数下能够获得很好的识别性能，在目标方位角未知的情况下识别率仍可达到 98%以上。

Matlab在图像处理与目标识别方面的应用实验-图像处理与目标识别方面的应用实验.rar 主要包括3个方面的内容，含说明文档、程序说明、图片等。 1.染色体识别与统计 2.汽车牌照定位与字符识别 3.基于BP神经网络识别字符的简单实验

极化合成孔径雷达经典教材 目标分解理论讲解以及应用

darknet深度网络开发，目标识别，yolo网络，源码，python

基于卷积神经网络的SAR图像目标识别研究

使用目标检测的Deep-CNN模型 在这种情况下，使用预训练的卷积神经网络（CNN）MobileNet SSD（单发多盒检测器）模型来检测对象，并通过在对象上方添加一个包含对象名称的框来将对象定位在图像边界内等级和准确性。 mobilenet-ssd模型是旨在执行对象检测的Single-Shot Multibox Detection（SSD）网络。 通过使用SSD，我们只需要单张拍摄即可检测图像中的多个对象。该模型是使用Caffe *框架实现的。 要运行代码，只需运行RUN：python object_detection_image.py或python realtime_object_detection.py

基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮