该教程全面阐述了CCDC变化监测过程中所需用到的全部流程，冰包含了相关的下载代码，你只需要修改自己的研究区即可在谷歌地球引擎中（GEE）实现CCDC的全过程分析。 土地覆盖变化影响自然和人为环境，并被全球气候观测系统视为基本气候变量。例如，荒漠化导致从植被生态系统到沙漠的土地覆盖过渡，毁林导致森林转变为人为改造的土地利用，城市发展可以将自然环境转变为建筑物和道路覆盖的环境。为了了解这些过渡的影响，在国家至区域尺度上对其进行量化至关重要，这通过遥感分析来实现。 使用遥感数据监测土地变化需要将图像转换为关于景观变化的有用信息的方法。一个被广泛应用的方法是连续变化检测和分类（CCDC；Zhu and Woodcock 2014）。本教程将演示如何在Google Earth Engine上应用CCDC进行土地变化监测。

时间序列是一类重要的时间数据对象，可以很容易地从科学和金融应用中获得，并且时间序列的异常检测已成为当前的热门研究课题。 这项调查旨在提供有关异常检测研究的结构化和全面的概述。 在本文中，我们讨论了异常的定义，并根据每种技术采用的基本方法将现有技术分为不同的类别。 对于每个类别，我们都会确定该类别中该技术的优缺点。 然后，我们简要介绍一下最近的代表性方法。 此外，我们还指出了有关多元时间序列异常的一些关键问题。 最后，讨论了有关异常检测的一些建议，并总结了未来的研究趋势，有望对时间序列和其他相关领域的研究者有所帮助。

overfeat:Classification, Localization and Detection using Deep Learning ImageNet Large Scale Visual Recognition Challenge 2013 (ILSVRC2013) ICCV

基于火龙果数据的作物生长趋势项目，通过学习，如何将你构建的AI服务部署到云端上，实现具备识别火龙果生长趋势的云服务能力。下面是我们做的任务案例： 任务1：火龙果训练数据集准备（使用精灵标注助手进行目标检测图像标注、将训练与验证数据集转tfrecord格式数据集） 任务2：目标检测模型搭建与训练（认识目标检测、 YOLOv3目标检测模型、 tensorflow YOLOv3模型训练） 任务3：生长趋势模型推理与模型评估（作物生长趋势模型推理接口、 作物生长趋势模型推理代码实现、作物生长趋势模型精度评估） 任务4：生长趋势AI模型服务封装（ Restfull API、Flask环境搭建、Flask实现火龙果生长趋势AI服务） 任务5：模型云端部署与安装（生长趋势AI服务运行环境配置、编写自动化安装脚本实现服务一键安装与拉起）

无监督异常检测库 可用算法： 神经网络 神经网络 LOF（以scikit-learn软件包提供） COF INFLO 环形 LOCI 阿罗西 克洛夫 微博 数码相机 CMGOS HBOS 前列腺癌 CMGOS 一类SVM（可在scikit-learn软件包中获得） @作者Iskandar Sitdikov

TJNU大型云检测数据库 TJNU大规模云检测数据库（TLCDD）于2019年至2021年在中国9个省份中收集，其中包括天津，安徽，四川，甘肃，山东，河北，辽宁，江苏和海南。 它包含5000个基于地面的云图像及其相应的云蒙版。 TLCDD由4208个训练图像和792个测试图像组成。 云图像由视觉传感器捕获，并以PNG格式存储，像素分辨率为512×512。 所有图像均由中国天津市天津师范大学电子与通信工程学院和中国气象局气象观测中心的气象学家和与云有关的研究人员共同注释。 TLCDD将免费提供给与云相关的研究人员，以促进研究。 在下文中，提出了一些基于地面的云图像及其云遮罩。 下载 请下载，填写并签署协议TLCDD和整个文档返回给或 。 下载的URL和密码将包含在回复的电子邮件中。

使用LAB颜色空间进行阴影检测 该存储库包含该论文的python实现：Ashraful Huq Suny和Nasrin Hakim Mithila，“使用LAB色彩空间从单个图像中进行阴影检测和去除”，IJCSI 2013： ：//www.ijcsi.org/papers/IJCSI 我们使用LAB颜色空间来确定航空影像中阴影上的区域，可以将其用作阴影地面真相图进行分析。

基于LSTM神经网络模型的日志异常检测 主要基于Deeplog实现 DeepLog - Anomaly Detection and Diagnosis from System Logs through Deep Learning (部分paper来源于知网，请尊重版权~)

Phishing_Website_Detection：该项目基于使用随机森林分类公式检测网络钓鱼欺诈性网站。 使用Python编程语言和Django框架实现

DETRs Beat YOLOs on Real-time Object Detection组会汇报 现有的实时检测器一般为基于cnn的架构，在检测速度和准确性上实现了合理的权衡。然而，这些实时检测器通常需要NMS来进行后处理，这通常很难进行优化，而且不够健壮，从而导致检测器的推理速度慢。近年来，基于transformer的检测器取得了显著的性能。然而，DETR的高计算成本问题尚未得到有效的解决，这限制了DETR的实际应用，导致无法充分利用其好处。虽然DETR简化了目标检测流程（pipeline）的过程，但由于模型本身的计算成本高，很难实现实时目标检测。本文重新考虑了DETR，并对其关键组件进行了详细的分析和实验，减少了不必要的计算冗余。提出了一种实时检测器（RT-DETR），RT-DETR不仅在精度和速度方面优于目前最先进的实时检测器，而且不需要后处理，因此检测器的推理速度没有延迟，而且保持稳定，充分利用了端到端检测流程（pipeline）的优势。