NeuralHash: 鲁棒的，难以察觉的水印对抗隐写方法
项目目标：
给定图像（如“尖叫”），Neuralhash会进行一些微扰，以视觉方式编码作者的独特签名。
项目的安全水印方案代表了在保护内容所有权和防止Internet上的盗版方面的重大进步。
利用对抗性：
项目主要做法是，可以在解码器网络（将输入图像映射到32位签名）上使用对抗性示例技术来生成将其解码为所需签名的扰动。
训练网络：
项目提出了一种在期望最大化（EM）框架下训练解码器网络的方法，以学习对攻击的威胁空间更具弹性的特征转换。如下所示，我们交替使用网络对图像进行编码，然后更新网络的权重以使其对攻击更健壮。
下图显示了训练过程中编码图像的鲁棒性。如您所见，在许多迭代中，线条变得更平整，表明在旋转和缩放方面具有鲁棒性。稍后显示，我们的方法可以推广到更极端的转变。
供给示例：
项目地址：
https://github.com/nikcheerla/neuralhash
使用计算机视觉的交通信号违章检测系统
项目介绍：
城市中越来越多的汽车会导致大量交通，这意味着在孟加拉国乃至全世界，如今违反交通法规的行为变得越来越严重。这造成财产的严重破坏和更多的事故，可能危及人民的生命。
为了解决警报问题并防止此类不可思议的后果，需要使用交通违规检测系统。系统会始终为此执行适当的交通法规，并逮捕不遵守法规的人员。由于当局一直在跟踪道路，因此必须实时实现交通违章检测系统。
因此，交通执法人员不仅可以轻松准确地实施安全道路，而且还可以有效地进行道路建设。交通检测系统能够比人类更快地检测到违规行为。该系统可以实时检测到违反交通信号灯的情况。
用户友好的图形界面与该系统相关联，以使用户可以轻松地操作系统，监视流量并针对违反流量规则的行为采取措施。
项目目标：
该项目的目标是使交通信号违章检测系统自动化，并使交警部门易于监控交通并以快速有效的方式对违章的车主采取行动。准确检测和跟踪车辆及其活动是系统的主要优先事项。
系统概览：
该系统由两个主要部分组成：
车辆检测模型。将路边的录像发送到系统。从镜头中检测到车辆。跟踪车辆的活动，系统确定是否存在违规情况。
图形用户界面（GUI）。使系统具有交互性，供用户使用。用户可以监视交通画面，并通过检测到的车辆边界框获得违规警报。用户可以使用GUI采取进一步的措施。
模型架构：
从给定的录像中，检测到运动物体。对象检测模型YOLOv3用于将这些移动对象分类为各个类别。YOLOv3是YOLO（只看一次）系列中的第三种对象检测算法。它通过许多技巧提高了准确性，并且能够检测物体。分类器模型使用Darknet-53架构构建。表1显示了如何设计神经网络架构。
使用YOLOv3模型检测车辆。在检测到车辆后，将检查违规情况。用户在给定视频片段的预览中在道路上绘制了交通线。该行指定交通信号灯为红色。如果任何车辆以红色状态越过交通线，就会发生违规行为。
检测到的对象具有绿色边框。如果有任何车辆以红色状态通过交通信号灯，则会发生违规情况。检测到违规后，车辆周围的边界框变为红色。
项目实现：
项目地址：
https://github.com/anmspro/Traffic-Signal-Violation-Detection-System
DroneDeploy——无人机图像分割基准
该项目包含对DroneDeploy无人机分割数据集及其使用方式的描述。它包含示例代码，该示例代码可使用较小的样本数据集来建立并快速运行有效的细分模型。
下载样本数据集并训练模型。可以监视“权重和偏置”的训练效果。训练完成后，将在所有测试场景上进行推断，并将在wandb目录中创建一些名称类似于123123_ABCABC-prediction.png的预测图像。创建图像后，将对它们进行评分，并将这些评分存储在预测目录中。
该数据集包括从无人机捕获的许多空中场景。每个场景的地面分辨率为每个像素10厘米。对于每个场景，都有一个对应的“图像”，“高程”和“标签”。它们位于图像，高程和标签目录中。
图像是RGB TIFF，高程是单通道浮点TIFF（每个像素值代表以米为单位的高程），最后，标签是具有7种颜色的PNG，代表7种类别。
实现：
数据增强（datasets_keras.py, datasets_fastai.py）
超参数（train_keras.py, train_fastai.py）
后处理（inference_keras.py, inference_fastai.py）
碎片尺寸（images2chips.py）
模型架构（train_keras.py, train_fastai.py）
完全不使用高程模块（images2chips.py）
项目地址：
https://github.com/dronedeploy/dd-ml-segmentation-benchmark
Flambé，是一个基于PyTorch的库，它使用户可以：
通过多个训练和处理阶段进行复杂的实验；
搜索超参数，然后选择最佳试验；
在许多工作人员基础上远程运行实验，包括完整的AWS集成；
与其他人轻松共享实验配置，结果和模型权重。
特性：
对超参数搜索的支持；
远程和分布式实验；
使用Tensorboard可视化所有指标和有意义的数据；
将自定义代码和对象添加到管道中；
具有分层序列化的模块。
