内容概要：本文详细介绍了YOLOv11目标检测算法的改进，特别是引入了来自UNetv2的多层次特征融合模块——SDI（Selective Deformable Integration）。YOLOv11在保持高速推理的同时，通过采用EfficientNet主干网络、PANet和FPN Neck模块及多种注意力机制，显著提升了检测精度。SDI模块通过选择性融合不同尺度特征、结合可变形卷积技术，增强了细节信息的提取，提高了多尺度特征融合能力，改进了小目标检测精度。实验结果显示，YOLOv11在COCO和VOC数据集上的mAP分别从40.2%提升至43.7%、从77.5%提升至80.3%，且FPS保持稳定。; 适合人群：对目标检测算法有一定了解的研究人员、工程师及深度学习爱好者。; 使用场景及目标：①了解YOLOv11的创新技术和优化方向；②掌握SDI模块的工作原理及其在目标检测中的应用；③研究多层次特征融合、可变形卷积等技术对模型性能的影响。; 其他说明：本文不仅展示了YOLOv11的技术细节，还通过实验验证了SDI模块的有效性，为未来目标检测算法的发展提供了新的思路。建议读者结合实际应用场景，深入研究SDI模块的实现与优化方法。

精通GPU-利用CUDA加速图像处理，提升缺陷检测精度，CSDN CSDN组织关于GPU 方面的视频

该资源主要是对多时相影像变化检测进行精度评价（C++实现），代码注释非常详细，非常实用！！！

脑电信号基础matlab代码波列分析 使用 2D 和 3D AUC 图，我们提高了帕金森病的检测精度 有用于分析脑电图 (EEG)、肌电图 (EMG) 和震颤图数据的 Matlab 文件。 波列电活动分析方法的思想是我们将生物医学信号视为波列的组合。 波列是信号在时间、频率和空间上局部化的功率谱密度的增加。 我们将波列检测为小波频谱图中的局部最大值。 我们不认为波列是一种特殊的信号。 我们研究了以下波列参数：波列中心频率、波列最大功率谱密度、周期中的波列持续时间和波列带宽。 我们开发了特殊的图表，称为 AUC 图，以确定哪些波列是神经退行性疾病的特征。 您可以在此处阅读我们的方法： OS Sushkova、AA Morozov、AV Gabova、AV Karabanov。 使用基于波列的电活动分析方法研究帕金森病患者肢体震颤的表面肌电图和加速信号 // 人工智能进展：第 16 届伊比利亚美洲人工智能会议，IBERAMIA 2018，秘鲁特鲁希略，11 月 13 日-16, 2018, Proceedings / GR Simari, F. Eduardo, F. Gutiérrez

提高潜水泵整机出厂试验检测精度的关键技术研究.rar

随着材料科学、结构力学的飞速发展，碳纤维增强复合材料(CFRP)越来越多地应用于航空产品中。CFRP在生产过程中易于产生分层缺陷，难以利用传统检测方法进行检测。红外热波成像检测技术能够对脱粘型缺陷进行准确定位及尺寸测量，然而对于深度测量方面还处于初级研究阶段。利用脉冲红外热成像检测技术对CFRP中不同大小及深度分层缺陷进行检测，通过对不同时刻检测表面的温度时间曲线进行比较与处理测量缺陷大小，通过对对数时间曲线进行二次微分方法测量缺陷深度。同时，将测量结果与实际缺陷尺寸及深度进行比较，分析此种方法对缺陷大小及深度的检测精度。检测结果表明，脉冲红外热成像方法对宽深比大于3的缺陷，大小检测精度均低于10%，对缺陷深度的检测精度随深度增加及尺寸减小而降低。