本案例可以利用C#和EmguCV播放文件夹和摄像头中的视频，代码运行完美无误，便于下一步实施视频运动目标检测与跟踪，欢迎交流
2024/9/24 12:08:08
431KB
1
yolov3是优秀的目标检测算法，笔者曾用yolov3完成《数字图像处理》的课程设计，课程设计是大型交通标志牌的检测，使用yolov3模型能够获得很好的效果，文件包括yolov3的论文、笔者录制的视频目标检测结果
2024/9/9 20:32:43
46.26MB
1
以前的分散式认知媒体访问控制（DC-MAC）协议允许次要用户（SU）独立搜索频谱访问机会，而无需中央协调员。
DC-MAC假定检测方案在物理（PHY）层是理想的。
实际上，在分布式频谱共享方案中，更复杂的检测算法是不切实际的。
由于PHY层的能量检测（ED）计算和实现复杂度较低，因此已成为最常用的方法。
因此，至关重要的是在PHY层将DC-MAC与ED集成在一起。
但是，ED需要最低采样时间（MST）持续时间才能在低信噪比（SNR）环境中实现目标检测概率。
否则，将无法达到预期的检测性能。
在本文中，我们推导了在低SNR环境中ED的MST的准确表达。
然后，我们提出了一种基于MST的优化DC-MAC（ODC-MAC）协议，该协议对上述带有ED的DC-MAC问题进行了修正。
此外，对于DC-MAC和ODC-MAC都导出了不可靠的数据传输概率的闭式表达式。
我们表明，仿真结果与理论分析吻合良好。
与传统的DC-MAC相比，所提出的ODC-MAC可以提高数据传输的可靠性并提高吞吐量。
DC-MAC假定检测方案在物理（PHY）层是理想的。
实际上，在分布式频谱共享方案中，更复杂的检测算法是不切实际的。
由于PHY层的能量检测（ED）计算和实现复杂度较低，因此已成为最常用的方法。
因此，至关重要的是在PHY层将DC-MAC与ED集成在一起。
但是，ED需要最低采样时间（MST）持续时间才能在低信噪比（SNR）环境中实现目标检测概率。
否则，将无法达到预期的检测性能。
在本文中，我们推导了在低SNR环境中ED的MST的准确表达。
然后，我们提出了一种基于MST的优化DC-MAC（ODC-MAC）协议，该协议对上述带有ED的DC-MAC问题进行了修正。
此外，对于DC-MAC和ODC-MAC都导出了不可靠的数据传输概率的闭式表达式。
我们表明，仿真结果与理论分析吻合良好。
与传统的DC-MAC相比，所提出的ODC-MAC可以提高数据传输的可靠性并提高吞吐量。
2024/9/7 4:30:45
2.62MB
1
变电站指针式仪表目标检测数据集，voc2007格式，500张，可用于gpu资源比较小的目标检测训练，已训练好的模型下载地址：https://download.csdn.net/download/qq_35206320/11994813
2024/8/29 18:20:14
12.18MB
1
本资源是一些光流法相关资料的整合，适合初学光流法的学者们借鉴学习！智能交通系统运动车辆的光流法检测.caj基于改进的Lucas_Kanade光流估算模型的运动目标检测.caj改进的光流法用于车辆识别与跟踪.caj
2024/8/26 18:35:55
8.19MB
1
本代码建立高斯混合模型(高斯多模型)(GMM)，将其用于计算机视觉领域的视频目标检测视频监控运动检测运动目标检测视频目标跟踪等相关应用中。
2024/8/8 10:54:46
3KB
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