YOLO 是一种使用神经网络提供实时对象检测的算法。该算法因其速度和准确性而广受欢迎。它已在各种应用中用于检测交通信号、人员、停车计时器和动物。 YOLO 是“You Only Look Once”一词的缩写。这是一种算法，可以（实时）检测和识别图片中的各种对象。YOLO 中的对象检测是作为歼毁含回归问题完成的，并提供检测到的图像的类别概率。 YOLO 算法余轮采用卷积神经网络 (CNN) 实时检测物体。顾名思义，该算法只需要通过神经网络进行一次前向传播来检测物体。 这意味着整个图像中的预测是在单个算法运行中完成的。CNN 用于同时预测各种类别概率和边界框。 YOLO 算法由各种变体组成。

粒子群算法在模式识别，图像处理，最优化问题，参数设置中的应用

字符分割算法论文，中文的论文，e文不好的菜鸟们的福音

针对煤矿井下巷道视频监控采用定点旋转摄像头成本较高、拍摄视野和图像拼接效果有限等问题，设计了摄像头排列布局方式进行大视差拍摄，针对大视差拍摄的图像拼接困难问题，提出了一种基于多平面多感知缝合线的井下巷道大视差图像拼接算法。首先，采用尺度不变特征变换算法对输入图像进行特征点检测和匹配，得到特征匹配点；然后，基于多平面进行特征匹配点分组并产生相应的对齐候选单应性矩阵，每个单应性矩阵对齐图像中的1个平面，解决了巷道大视差场景下平面不一致问题；最后，在每组局部对齐图像上计算基于颜色、边缘及显著度的多感知缝合线，选择缝合线能量最小的对齐图像合成拼接图像，减少了局部区域错位现象。实验结果表明，该算法与APAP,ANAP,SPHP,NISwGSP,RobustELA等经典图像拼接算法及基于颜色的缝合线算法相比，有效消除了局部区域错位和重影问题，图像拼接效果更自然、无缝。

本论文是Clique聚类算法的经典论文，详细介绍了算法的基本原理，算法步骤，相关算法等，是进行Clique算法研究的很好的参考资料

张量投票算法利用人类感知功能原理进行计算,它具有较强的鲁棒性、非迭代性、参数唯一性等特性,其非迭代性具有节省计算时间的显著性特征,因此,广泛应用于图像线特征提取,但在一些含有复杂噪声的图像中,却不能得到更为连续的显著线特征信息。本文针对此问题,提出一种改进的具有迭代性的张量投票算法,它主要是对投票域进行迭代改进,使改进后的张量投票算法可以提取更为连续的显著线特征,且与传统的张量投票算法相比,本文算法既缩短了计算时间,又提取了更为连续的线特征图像。

基于FPGA的Sobel图像边缘检测算法

一种改进的TDS-OFDM信道估计算法

论文，关于ANNS算法的描述，包含算法NSG以及NSSG，包括相似最近邻算法的发展历程，包括理论论证，实现，分析，感兴趣的可以下载

无人驾驶中的路径规划算法论文集合