通过从虚拟数据中学习来创建可预测现实生活中的车辆碰撞的模型的尝试。 详细信息待定。 笔记： 1.此时，车辆跟踪依赖于Nanonets Deep SORT实施 在feature_extractor目录下克隆 将__init__.py放在目录中： nanonets_object_tracking和nanonets_object_tracking/deep_sort 在deepsort.py将from deep_sort...中的deepsort.py替换from deep_sort... （例如from .deep_sort...有一个点） 复制feature_extractor/nanonets_object_tracking/siamese_net.py > feature_extractor/siamese_net.py （否则， feature_extractor/siam

nity 最新的人脸识别插件 Dlib FaceLandmark Detector 1.2.8 需要Unity 5.6.6或更高版 支持 iOS、Android、Windows10 UWP、WebGL、Win＆Mac＆Linux 您可以在Texture2D，WebCamTexture和“图像”字节数组中检测正面人脸和脸部界标（68点，17点，6点） 内有各种实例方便学习

非常好用的内存泄露检测工具，安装文件仅1M大小，源代码开放，visual leak detector

cnn源码matlab SVHN-deep-cnn-digit-detector 该项目在自然场景中实现了 deep-cnn-detector（和识别器）。 我使用 keras 框架和 opencv 库来构建检测器。 该检测器使用 CNN 分类器为 MSER 算法提出的区域确定数字与否。 先决条件 Python 2.7 keras 1.2.2 opencv 2.4.11 张量流-GPU == 1.0.1 等等。 运行这个项目所需的所有包的列表可以在 . Python环境 我建议您创建和使用独立于您的项目的 anaconda 环境。 您可以按照以下简单步骤为该项目创建 anaconda env。 使用以下命令行创建 anaconda env： $ conda env create -f digit_detector.yml 激活环境$ source activate digit_detector 在这个环境中运行项目 用法 数字检测器的构建过程如下： 0. 下载数据集 下载 train.tar.gz 并解压文件。 1.加载训练样本（1_sample_loader.py） Svhn 以 m

opencv_face_detector_uint8.pb

面罩示例 概述 环境 演示视频 演示 WebGL WebGL（使用 sp_human_face_68_for_mobile.dat） Android 手动的

天真贝叶斯垃圾邮件检测器 使用Scikit学习机器学习库将电子邮件分类为垃圾邮件或非垃圾邮件的Python程序。 先决条件 该程序是用Python 3编写的，并使用了Numpy，Pandas和Scikit-learn库。 数据集 该程序利用以csv格式存储的两个数据集。 主要数据集“垃圾邮件或非垃圾邮件”。 该集合是文件'20030228easyham.tar.bz2'和'20030228_spam.tar.bz2'的组合。 这组包含2500个火腿电子邮件示例和500个垃圾电子邮件示例。 该集合包含两列：电子邮件和标签。 电子邮件列中的元素是带有数字值和url的文本字符串，分别用单词“ NUMBER”和“ URL”替换。 标签列中的元素可以具有两个可能的值：如果电子邮件是非垃圾邮件，则为0；如果电子邮件是垃圾邮件，则为1。 辅助数据集包含伪造数据。 此集合遵循主要集合的样式； 两列用于

Hash___Crypto_Detector_v1[1].4 侦壳软件最新的 可侦出ZProtect,共享吧

WebShell检测器 基于深度学习与集成学习的综合策略

https://github.com/hysts/anime-face-detector