SVM分类检测（Python2.7） HoG，PCA，PSO，硬负开采，滑动窗口，NMS 最好的检测方法是： HoG（功能）-> PCA（较少功能）+ PSO（最佳C＆gamma）->原点SVM-> HNM（更多功能）->更好的SVM-> SW-> NMS（bbox回归） 对不起，我很懒惰。 我认为我应该澄清该程序的步骤。 提取HoG功能（脚本1） 训练PSO的初始模型（脚本2） 进行pca和pso以获得更好的参数C和伽玛（脚本6） 使用no-pca功能和最佳参数来训练第二个模型（脚本2） 为了提高精度，请使用第二个模型进行hnm并获得最终模型（脚本7） 最后，选择您要进行定位的算法（脚本8或9或10） PS： 我使用pca的原因是为了加快pso的速度。 老实说，pso真的很慢。 对于第4步，您也可以使用由pca处理的功能，但是我强烈建议您尽可能保留更多功能。

学习资料

Single-Image Shadow Detection and Removal using Paired Regions 一篇cvpr2011年的去阴影文章，很新很牛逼

基于2017年EAST算法的自然场景文本检测C++版（含预训练模型）。由于OpenCV官方的EAST文本检测C++示例程序不能直接运行，在VS2019中进行修改并已调通，可以在OpenCV4的contrib install环境下运行。

YOLOv5 LibTorch 通过LibTorch C ++ API部署YOLOv5进行实时对象检测 环境 Ubuntu 18.04 OpenCV 3.2.0 LibTorch 1.6.0 CMake 3.10.2 入门 安装OpenCV。 sudo apt-get install libopencv-dev 安装LibTorch。 wget https://download.pytorch.org/libtorch/nightly/cpu/libtorch-shared-with-deps-latest.zip unzip libtorch-shared-with-deps-latest.zip 编辑“ CMakeLists.txt”以正确配置OpenCV和LibTorch。 编译并运行。 cd build cmake .. make ./../bin/YOLOv5

裂纹分割 在这里，我提出了针对路面和混凝土材料的裂纹分割问题的解决方案。 在本文中，我描述了我尝试使用的方法，数据集并演示了结果。 我的方法基于UNet网络，并在两种流行的体系结构上学习迁移：VGG16和Resnet101。 结果表明，在实际情况中可能发生的各种情况下，大型的裂纹分割数据集有助于提高模型的性能。 内容 推理结果预览 以下是几个测试用例的结果。 有关更多测试案例的结果，请参见./test_results文件夹下的图像。 概述 裂纹分割是结构研究中的重要任务。 例如，在桥梁调查项目中，控制对象完成工作以使其在桥梁周围飞行以拍摄不同桥梁表面的图片。 然后，计算机将对图片进行处理，以检测桥梁表面上可能被损坏的潜在区域。 模型越准确，处理这些图像所需的人工就越少。 否则，操作员将不得不检查每个图像，这很无聊且容易出错。 此任务中的一个挑战是该模型对噪声和其他物体（例如裂缝上的苔藓，标

Tensorflow-2-Object-Detection-API-Flask-Application 这是一个已部署tensorflow 2对象检测API的flask应用程序。 用户使用图像数据敲击端点并获得响应，该响应包括带分数的检测，带覆盖的图像数据，图像大小（可以自定义）。 先决条件和设置 您需要设置 。 这里有一些很棒的文章， ， ，可以在此过程中为您提供帮助。 您可以从下载所需模型并在main.py文件中指定save_model，labelmap路径 client.py命中端点。 您必须在client.py文件中指定带有端点image_path，output_dir（要在其中保存带有叠加层的图像的目录。它是可选的）的url。 跑步 首先运行python main.py以使应用程序运行，然后使用必需的参数命中端点，请运行python client.py 输出 响应包括 有

数据集对对象检测的预处理 该存储库包含一些python解析器脚本，用于将其他公共数据集转换为voc数据格式 笔记 我并不是要提供这些脚本的用法，修改这些文件非常简单 该存储库中的大多数文件都非常相似，您可以根据自己的目的运行 环境 python 3.5

用于非时间实时火灾检测的实验定义的卷积神经网络体系结构变体 [及后续工作：用于非时间实时火灾检测的紧凑型卷积神经网络体系结构的实验探索] 使用Python 3.7.x， ， 和（需要opencv额外模块-用于超像素分割的ximgproc模块） 架构： FireNet体系结构（以上） InceptionV1-OnFire架构（以上） InceptionV3-OnFire架构（以上） InceptionV4-OnFire架构（以上） 抽象： “在这项工作中，我们研究了在实时范围内自动检测视频（或静态）图像中火灾像素区域的方法，而无需依赖于时域场景信息。作为对该领域先前工作的扩展，我们考虑了

车辆速度检测 使用OpenCV检测车辆速度的简单python代码