1、YOLO系列算法旋翼无人机目标检测，数据集，都已经标注好，标签格式为VOC和YOLO两种格式，可以直接使用，共量部分，由于数量量太大，分为两部分，这里是第一部分 2、part1数量：5000多张 3、classes: drone 4、有需要的可以下载

线列红外推扫探测器扫描帧率低,存在带状噪声,为此,提出一种基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法。在红外图像上均匀布置采样窗口,令采样窗口根据图像亮度梯度聚集到高亮区域。融合红外图像的目标能量信息、局域对比度、目标像素聚拢度等多种特征,将采样窗口的加权叠加作为目标概率图。使用全局阈值分割获取目标,最终实现红外小目标的检测。实验结果表明,该算法可以检测中小尺寸的红外目标,且有效对抗探测器带来的带状噪声。

针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。

提出对图像和激光雷达点云数据进行3D目标检测的改进F-PointNet(Frustum PointNet)。首先利用图像的2D目标检测模型提取目标2D区域,并将其映射到点云数据中,得到该目标的点云候选区域,然后预测候选区域的3D目标掩模,最后利用掩模对3D目标进行检测。当预测掩模时,提出的宽阈值掩模处理可以用来减少原始网络的信息损失;增加注意力机制可以获取需要被关注的点和通道层;使用Focal Loss可以解决目标与背景不平衡的问题。通过多次对比实验,证明宽阈值掩模处理可以提高3D目标检测的准确率,同时注意力机制和Focal Loss可以提高预测的准确率。

整理了几段我在做运动目标检测时收集的视频。背景是静态的，可用于运动目标检测。一共是八段视频，希望对大家有用

yolov3是优秀的目标检测算法，笔者曾用yolov3完成《数字图像处理》的课程设计，课程设计是大型交通标志牌的检测，使用yolov3模型能够获得很好的效果，文件包括yolov3的论文、笔者录制的视频目标检测结果