文章目录零、目标检测性能指标一、 confusion_matrix二、P&R&PR&F1_curve1. P_curve2. R_curve3. PR_curve4. F1_curve三、labels&labels_correlogram四、result.png&result.txt1. loss functions2. result.csv五、train
大致思路是：该算法在行人检测算法的基础上，识别检测出来的行人的头部，并根
原创
2022-01-13 11:20:08
2349阅读
疲劳检测
原创
2022-07-01 17:06:28
194阅读
CenterNet论文的名称为：Objects as Points[1]，即将“物体”视为“点”。一语道破了这个模型的核心方法，即通过模型输出的特征图上某一点的信息，直接推断此位置某相关物体的信息（i.e. 检测框信息）。原文给出了CenterNet很多应用，如3D目标检测、人体姿势检测等，由于方法大同小异，本文只给出2D目标检测的方式方法。本文主要分为六个部分：什么是目标检测、什么是Anchor
目录数据集部分后端部分前端部分前后端连接数据集部分：在该项目当中我们采用的是传统的开源数据集SHWD(Safety helmet (hardhat) wearing detect dataset)数据集标签为hat，person数据集的一些想法数据集的收集，标记对于后面的的程序设计预计模型的准确度有十分重要的影响1.首先，我暂时对于数据集的标签并不满意，在我的想法中设置三个标签更加合理： 对于一个
1.研究背景 在绝大多数目标检测网络中，如下图Fig1特征金字塔（Feature Pyramid Network，FPN）是一个不可缺少的部分，FPN网络主要解决的问题是目标检测在处理多尺度变化问题的不足。FPN主要有以下两个作用：1）多尺度特征融合，提高了特征的丰富程度；2）使用分治法，将目标检测任务按照目标尺寸不同，分成若干个检测子任务。 2.存在
FreeSWTICH有2种信号音检测方法一种[mod_dptools: tone_detect](https://freeswitch.org/confluence/display/FREESWITCH/mod_dptools%3A+tone_detect "mod_dptools: tone_detect")，还有一个是[mod_spandsp Call Progress](https://freeswitch.org/confluence/display/FREESWITCH/mod_spandsp "mod_spandsp Call Progress"),我们先介绍第一种。
如果需要可以识别出 彩铃，空号，关机，停机，彩铃，通话中，语音信箱，语音留言，等可以使用顶顶通开发的FreeSWITCH mod_da2模块，详细请看http://www.ddrj.com/asr/mod_da2.html。
原创
2023-04-05 12:06:40
360阅读
边缘检测是图像处理和计算机视觉中基本的问题，边缘检测的目的是标识数字图像中亮度变化明显的点，图像属性中的显著变化通常反映了属性的重要事件和变化。边缘的表现形式如下图所示： 一、边缘检测的分类图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性，有许多方法用于边缘检测，它们的绝大部分可以划分为两类：（1）基于搜索（2）基于零穿越的注：两类边缘检测方法都
本教程主要是对人脸检测及识别python实现系列 及碉堡了！程序员用深度学习写了个老板探测器（付源码） 的实现。主要实现的功能是用网络摄像头自动识别在工位通道走过的人脸，如果确认是老板的话，就用一张图片覆盖到整个屏幕上。虽然原教程已经写的很好，但是我们在实现的时候仍然踩了很多坑。本着让后来者少走点弯路的原则，我们特将最详细的步骤记录如下，以期读者朋友只花最少的时间便能体验用tensorflow实现
文章目录一、背景二、方法2.1 Ground-truth and loss2.2 Online Feature Selection2.3 将 RetinaNet 和 FSAF 联合后如何训练和测试三、效果 论文：Feature Selective Anchor-Free Module for Single-Shot Object Detection代码：https://github.com/op
识别司机是否抽烟和是否打电话的图像算法，通过深度学习实现，其中用到了一些opencv的知识，效果图如下：
原创
2021-07-10 11:27:09
1505阅读
一、模型分类目标 数据的分类情况为两类正例(Postive)和负例(Negtive)，分别取P和N表示。 同时在预测情况下，分类正确表示为T(True)，错误表示为F(False);便有了以下四类表示：TP:(True Positive &
CenterNet3D: An Anchor free Object Detector for Autonomous Driving
作者团队：吉林大学&中科院&中山大学等
论文下载链接： https://
arxiv.org/abs/2007.0721
4
注1：如果上述链接无法访问或者下载速度过慢，可以看文末，已上传至百度云
01:目标检测问题定义 02:目标检测问题方法 03:传统目标检测方法基本流程 04:常见人脸检测检测方法 05:常见行人检测检测方法 06:常见物体检测方法 07:常见非极大值抑制算法 08:Two-stage基本介绍流程与常见算法 09:Two-stage核心组件 10:One-stage基本介绍流程与常见算法 11:One-stage核心组件 12:One-stage与Two-stage优缺
介绍了非极大值抑制算法（NMS）的原理和实现细节。
目录一、什么是NMS二、NMS及其优化版本1、soft NMS2、GIoU NMS3、DIoU NMS4、CIoU NMS正文一、什么是NMS1、定义： 非极大值抑制算法NMS广泛应用于目标检测算法，其目的是为了消除多余的候选框，找到最佳的物体检测位置
本文主要梳理了目标检测任务，包括目标检测简介、常用数据集、常用技巧，以及经典的两段式和一段式模型。
前言：本文主要梳理了目标检测任务，包括目标检测简介、常用数据集、常用技巧，以及经典的两段式和一段式模型。1 目标检测简介目标检测（Object Detection）的目的是“识别目标并给出其在图中的确切位置”，其内容可解构为三部分：识别某个目标（Class
论文地址：https://arxiv.org/abs/2006.02334代码地址（基于mmdetection实现）：https://github.com/joe-siyuan-qiao/DetectoRS本文是谷歌团队提出的最新的目标检测方案，并且已经完全开源。整个算法将递归特征金字塔（RFP,Recursive Feature Pyramid）和可切换的空洞卷积（SAC，Switchable
FPN(Feature Pyramid Network)论文地址：https://arxiv.org/pdf/1612.03144.pdf 在物体检测里面，有限计算量情况下，网络的深度（对应到感受野）与stride通常是一对矛盾的东西，常用的网络结构对应的stride一般会比较大（如32），而图像中的小物体甚至会小于stride的大小，造成的结果就是小物体的检测性能急剧下降。传统解决这个问题的思路
大多数溢出漏洞产生的原因是由于数组越界，导致溢出。首先要明白溢出漏洞这个我在很早前就写过烂大街的文章了我们知道大部分的溢出攻击主要是覆盖程序函数的返回地址那么看完再讲讲GS的工作流程=检测某些覆盖函数的返回地址、异常处理程序地址(SEH)或者类型参数的缓冲区溢出。在执行缓冲区溢出时会有安全检查GS 缓冲区。 GS 缓冲区可以是下列之一：+++++++++++++++++++++++++++++ch
1.初识SIM卡SIM卡的物理划分标准SIM卡：2515 micro SIM卡：1512 nano SIM卡：12.3*8.8 厚度：0.68SIM卡内部的组成ROM、RAM、EEPROMROM:存放系统程序 RAM:存放系统临时信息 EEPROM:存放号码、短信、程序SIM卡简介SIM:Subscriber Identification Module 功能：对移动用户进行身份验证（如何进行验证的
