这个压缩包里共包括两个源代码，分别是训练算法，实际分类检测算法，主要是利用BP神经网络来分类。
训练算法的原理可以直接参考，实际分类检测就是利用训练好的BP神经网络参数来进行分类。
我的BP网络结构是3层，783结构。
训练算法的原理可以直接参考，实际分类检测就是利用训练好的BP神经网络参数来进行分类。
我的BP网络结构是3层，783结构。
2025/11/5 18:07:08
31.97MB
1
采用精确背景补偿，实现动态背景下动态目标检测，通过KNN匹配、比率筛选、对称约束三层筛选提取良好匹配点对，结合自适应外点滤除算法，实现对复杂环境的精确补偿。
2025/10/28 13:51:16
14KB
1
噪声环境中基于HMM模型的语音信号端点检测方法强噪声环境下语音信号端点检测方法研究带噪语音端点检测方法的研究基于倒谱特征的带噪语音端点检测语音信号端点检测算法研究
2025/10/21 14:23:22
7.77MB
1
matlab程序,包括3个文件：mseries.m编写了一个产生m序列的函数；
mud.m用来比较传统单用户检测、线性解相关多用户检测、最小均方误差多用户检测的误码率；
mud_plot比较后并画出误码率-信噪比曲线。
mud.m用来比较传统单用户检测、线性解相关多用户检测、最小均方误差多用户检测的误码率；
mud_plot比较后并画出误码率-信噪比曲线。
2025/10/9 6:13:05
3KB
1
利用八个方向的sobel边缘检测，其中为防止灰度值溢出对灰度值进行一个扩大和缩放的过程，可以检测出八个方向的灰度梯度值，检测出的边缘更加平缓连续，有兴趣的可以了解一下。
2025/9/26 22:19:13
64KB
1
基于卷积神经网络的目标检测算法，夏源，张洪刚，本文是基于卷积神经网络的目标检测学习算法，与传统的物体检测算法不同，基于深度学习的目标检测算法，可以通过从海量数据中自动
2025/9/20 9:54:12
791KB
1
本资源为YOLOv3目标检测算法的PyTorch实现（出处：https://github.com/ayooshkathuria/pytorch-yolo-v3），本压缩包中包含了240MB的预训练网络文件，方便难以访问国外服务器的同学下载。
2025/9/12 14:12:34
222.07MB
1
据我目前了解掌握，多目标跟踪大概有两种方式：基于初始化帧的跟踪，在视频第一帧中选择你的目标，之后交给跟踪算法去实现目标的跟踪。
这种方式基本上只能跟踪你第一帧选中的目标，如果后续帧中出现了新的物体目标，算法是跟踪不到的。
这种方式的优点是速度相对较快。
缺点很明显，不能跟踪新出现的目标。
基于目标检测的跟踪，在视频每帧中先检测出来所有感兴趣的目标物体，然后将其与前一帧中检测出来的目标进行关联来实现跟踪的效果。
这种方式的优点是可以在整个视频中跟踪随时出现的新目标，当然这种方式要求你前提得有一个好的“目标检测”算法。
本文主要讲述Option2的实现原理，也就是TrackingByDetecting的跟踪方
这种方式基本上只能跟踪你第一帧选中的目标，如果后续帧中出现了新的物体目标，算法是跟踪不到的。
这种方式的优点是速度相对较快。
缺点很明显，不能跟踪新出现的目标。
基于目标检测的跟踪，在视频每帧中先检测出来所有感兴趣的目标物体，然后将其与前一帧中检测出来的目标进行关联来实现跟踪的效果。
这种方式的优点是可以在整个视频中跟踪随时出现的新目标，当然这种方式要求你前提得有一个好的“目标检测”算法。
本文主要讲述Option2的实现原理，也就是TrackingByDetecting的跟踪方
2025/8/31 11:54:48
275KB
1
主要介绍了pythonCanny边缘检测算法的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2025/8/25 3:09:19
453KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB