目标

最新推荐文章于 2024-11-07 10:41:24 发布
原创 最新推荐文章于 2024-11-07 10:41:24 发布 · 514 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

博主目前做题290道，电子科大做题428道，博主计划在7月15号之前超过电子科大的做题量。

我现在的做题是 290道，电子科大的那个是 428 道， 争取在7月15号之前超过他。

mindmb
关注
目标跟踪领域经典论文解析
qq_48131648的博客
12-09 2172
目标跟踪是计算机视觉领域的一个重要研究方向，多年来涌现了许多经典的论文。以下是对 20 篇左右目标跟踪领域经典论文的分类介绍与详细讲解。
目标检测概述
最白の白菜的博客
02-28 3338
目录目标检测概述目标检测常用的开源数据集PASCAL VOC数据集MS COCO数据集常用的评价指标IOUmAP（*Mean Average Precision*）NMS（非极大值抑制）目标检测方法分类总结 目标检测概述 学习目标 了解目标检测的任务 知道目标检测的常用数据集 知道目标检测算法的评价指标 掌握非极大值NMS算法的应用 了解常用的目标检测算法分类 目标检测 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标，并确定它们的类别和位置。 目标检测中能检测出来的物体
【大作业-05】手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程
热门推荐
dejahu的博客
12-15 35万+
手把手教你使用YOLOV5训练自己的目标检测模型 大家好，这里是肆十二（dejahu），好几个月没有更新了，这两天看了一下关注量，突然多了1k多个朋友关注，想必都是大作业系列教程来的小伙伴。既然有这么多朋友关注这个大作业系列，并且也差不多到了毕设开题和大作业提交的时间了，那我直接就是一波更新。这期的内容相对于上期的果蔬分类和垃圾识别无论是在内容还是新意上我们都进行了船新的升级，我们这次要使用YOLOV5来训练一个口罩检测模型，比较契合当下的疫情，并且目标检测涉及到的知识点也比较多，这次的内容除了可以作为大家
目标设定方法-SMART原则
captain
11-07 1701
目标应该是明确和具体的，而不是模糊不清。
目标检测的发展
孙永杰的博客
03-17 4693
2014年，Ross Girshick等人提出R-CNN，首次利用CNN进行目标检测。 RCNN通过Selective Search算法进行region proposals，使用CNN对proposals提取特征，然后将提取的特征输入SVM进行分类，最后利用全连接网络进行边框回归（线性脊回归）。 图片要先经过Selective Search算法产生的proposals，然后在图片上截取proposals区域，对proposals区域Resize之后，将其输入CNN进行分类。 proposals区域会有大量重
目标检测总结
行秋的博客
07-05 1479
（2）属于同一Target框的多个预测框尽量集中来解决待检测目标之前的相互遮挡。当两个目标靠的非常近时，置信度低的会被置信度高的框抑制掉，从而两个目标靠的非常近时会被识别成一个bbox。双阶段中Faster RCNN 中RPN首选筛选了执行度较高的候选区域，避免的了大量的负样本出现。前提：目标边界框列表及其对应的置信度得分列表，设定阈值，阈值用来删除重叠较大的边界框。2.对于待检测的物体被干扰物体（非检测的类别目标）遮挡，类别的分类和目标坐标的回归。计算置信度最高的边界框与其它候选框的IoU。
opencv目标检测
weixin_61405364的博客
08-01 2213
opencv 目标检测
部分基于深度学习的主流目标检测算法
qq_44722189的博客
05-15 1833
CNN首先通过选择性搜索算法Selective Search从一组对象候选框中选择可能出现的对象框，然后将这些选择出来的对象框中的图像resize到某一固定尺寸的图像，并喂入到CNN模型(经过在ImageNet数据集上训练过的CNN模型，如AlexNet)提取特征，最后将提取出的特征送入到分类器来预测该对象框中的图像是否存在待检测目标，并进一步预测该检测目标具体属于哪一类。这样做对小物体的检测不利，因为小物体本身具有的像素信息较少，在下采样的过程中，这些信息很容易丢失，从而降低了算法的性能。
单阶段和两阶段目标检测
来杯奶茶
04-20 1万+
在目标检测算法中，目标边框从无到有以及边框变化的过程在一定程度上体现了检测是两阶段还是单阶段的。 Two-stage： 第一阶段：专注于找出目标物体出现的位置，得到建议框，保证足够的准确率和召回率 第二阶段：专注于对建议框进行分类，寻找更精确的位置 优缺点：通常精度较高，但速度较慢 典型算法：R-CNN、SPP-Net、Fast R-CNN 和 Faster R-CNN One-stage： 第一阶段：专注于找出目标物体出现的位置，得到建议框，保证足够的准确率和召回率 ...
基于海康威视代码实现目标检测与跟踪 利用海康威视代码开展目标检测及跟踪工作 借助海康威视代码进行目标的检测与跟踪操作 运用海康威视代码完成目标检测与跟踪任务 通过海康威视代码实施目标检测和跟踪工作
08-24
目标检测与跟踪是智能视频监控系统中的一项关键技术，它能够从视频序列中识别并跟踪特定的目标对象，这对于智能分析、异常行为检测以及人员流量统计等具有重要意义。 目标检测是指利用计算机视觉技术从图像或视频帧...
无人机视角多目标检测数据集.zip
05-10
无人机视角多目标检测数据集 一、基础信息 数据集名称：无人机视角多目标检测数据集 数据规模： - 训练集：4,792张航拍图片 - 验证集：851张航拍图片 - 测试集：565张航拍图片 分类类别： - UAV：无人机视角特征 - ...
遥感目标检测 RSOD遥感目标检测开放数据集.zip
01-06
遥感目标检测技术是近年来快速发展的一个研究领域，它主要应用在遥感影像分析中，对各种地物目标进行自动识别和定位。本文将详细介绍RSOD（Remote Sensing Object Detection）遥感目标检测开放数据集，该数据集主要...
精选资源
SAR舰船目标检测数据集
09-07
合成孔径雷达（Synthetic Aperture Radar, SAR）技术是一种先进的微波成像雷达技术，它通过使用运动中的雷达与目标的相对运动来合成一个大的虚拟天线孔径。这种技术可以产生高分辨率的雷达图像，广泛应用于地表监测...
3D目标检测跟踪-基于kitti+waymo数据集的自动驾驶场景的3D目标检测+跟踪渲染可视化.zip
10-15
在自动驾驶技术领域，3D目标检测和跟踪是核心功能之一，它们能够帮助自动驾驶汽车理解周围环境并做出相应的决策。本次介绍的文件名为《3D目标检测跟踪-基于kitti+waymo数据集的自动驾驶场景的3D目标检测+跟踪渲染...
淘宝式jquery图片数字切换
最新发布
01-05
下载前可以先看下教程 https://pan.quark.cn/s/a426667488ae 标题“仿淘宝jquery图片左右切换带数字”揭示了这是一个关于运用jQuery技术完成的图片轮播机制，其特色在于具备淘宝在线平台普遍存在的图片切换表现，并且在整个切换环节中会展示当前图片的序列号。 此类功能一般应用于电子商务平台的产品呈现环节，使用户可以便捷地查看多张商品的照片。 说明中的“NULL”表示未提供进一步的信息，但我们可以借助标题来揣摩若干核心的技术要点。 在构建此类功能时，开发者通常会借助以下技术手段：1. **jQuery库**：jQuery是一个应用广泛的JavaScript框架，它简化了HTML文档的遍历、事件管理、动画效果以及Ajax通信。 在此项目中，jQuery将负责处理用户的点击动作（实现左右切换），并且制造流畅的过渡效果。 2. **图片轮播扩展工具**：开发者或许会采用现成的jQuery扩展，例如Slick、Bootstrap Carousel或个性化的轮播函数，以达成图片切换的功能。 这些扩展能够辅助迅速构建功能完善的轮播模块。 3. **即时数字呈现**：展示当前图片的序列号，这需要通过JavaScript或jQuery来追踪并调整。 每当图片切换时，相应的数字也会同步更新。 4. **CSS美化**：为了达成淘宝图片切换的视觉效果，可能需要设计特定的CSS样式，涵盖图片的排列方式、过渡效果、点状指示器等。 CSS3的动画和过渡特性（如`transition`和`animation`）在此过程中扮演关键角色。 5. **事件监测**：运用jQuery的`.on()`方法来监测用户的操作，比如点击左右控制按钮或自动按时间间隔切换。 根据用户的交互，触发相应的函数来执行...
大家都觉得几点到几点妲己
01-05
大家都觉得几点到几点妲己
垃圾实例分割数据集-20251118-194020.zip
01-05
垃圾实例分割数据集 一、基础信息 • 数据集名称：垃圾实例分割数据集 • 图片数量： 训练集：7,000张图片 验证集：426张图片 测试集：644张图片 • 训练集：7,000张图片 • 验证集：426张图片 • 测试集：644张图片 • 分类类别： 垃圾（Sampah） • 垃圾（Sampah） • 标注格式：YOLO格式，包含实例分割的多边形点坐标，适用于实例分割任务。 • 数据格式：图片文件 二、适用场景 • 智能垃圾检测系统开发：数据集支持实例分割任务，帮助构建能够自动识别和分割图像中垃圾区域的AI模型，适用于智能清洁机器人、自动垃圾桶等应用。 • 环境监控与管理：集成到监控系统中，用于实时检测公共区域的垃圾堆积，辅助环境清洁和治理决策。 • 计算机视觉研究：支持实例分割算法的研究和优化，特别是在垃圾识别领域，促进AI在环保方面的创新。 • 教育与实践：可用于高校或培训机构的AI课程，作为实例分割技术的实践数据集，帮助学生理解计算机视觉应用。 三、数据集优势 • 精确的实例分割标注：每个垃圾实例都使用详细的多边形点进行标注，确保分割边界准确，提升模型训练效果。 • 数据多样性：包含多种垃圾物品实例，覆盖不同场景，增强模型的泛化能力和鲁棒性。 • 格式兼容性强：YOLO标注格式易于与主流深度学习框架集成，如YOLO系列、PyTorch等，方便研究人员和开发者使用。 • 实际应用价值：直接针对现实世界的垃圾管理需求，为自动化环保解决方案提供可靠数据支持，具有重要的社会意义。
智慧物业(1).docx
01-05
智慧物业(1).docx
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值