您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. tiplog.odt

  2. 要进行准确的人流密度估计,面临了如下的难点 1.低分辨率:可以看看UCF Crowd Counting 50这个数据集,在很多密集的情况下,一个人头的pixel可能只有5*5甚至更小,这就决定了基于检测的很多方法都行不通; 2.遮挡严重:在人群中,头肩模型都难以适用更不用说人体模型,头部之间的遮挡都挺严重; 3.透视变换:简而言之就是近大远小,什么尺度的头部都可能出现。
  3. 所属分类:讲义

    • 发布日期:2020-05-19
    • 文件大小:1048576
    • 提供者:qingfenglu
  1. 行人检测数据集(人体上半身,数量7000+)

  2. 基于CUHK行人检测数据集制作的人头数据集,7000+正样本 ,该数据集大小为60*60,可用于Hog特征提取,进一步用于训练人体分类模型用于监控系统中的行人检测。
  3. 所属分类:深度学习

    • 发布日期:2020-04-23
    • 文件大小:61865984
    • 提供者:luoyanum
  1. brainwash_data.zip

  2. 一个密集人头检测数据集,数据标注格式保存在txt文档中,因此需要将该数据集转换成标准voc格式。该数据集包含三个部分,训练集:10769张图像81975个人头,验证集:500张图像3318个人头。测试集:500张图像5007个人头。
  3. 所属分类:互联网

    • 发布日期:2020-03-29
    • 文件大小:10240
    • 提供者:qq_38497266
  1. YOLOv4人头检测器训练数据集

  2. 这是一个YOLOv4人头检测器训练数据集,是从https://github.com/pranoyr/head-detection-using-yolo网友分享中下载原数据集然后生成得yolov4支持得数据集。仅供学习使用。如有侵权联系删除。谢谢
  3. 所属分类:Linux

    • 发布日期:2020-06-23
    • 文件大小:473956352
    • 提供者:u011573853
  1. 人头检测训练数据集(带标签)

  2. 这是一个人头检测器训练数据集、带xml标注信息,可用于yolo、TensorFlow等深度学习模型的训练数据集。仅供学习使用。如有侵权联系删除。谢谢
  3. 所属分类:互联网

    • 发布日期:2020-12-18
    • 文件大小:469762048
    • 提供者:u010765498
  1. RFSong-779:重新设计的RFBNet300,模型参数量只有0.99MB,AP达到0.78,200FPS-源码

  2. RFSong-779进行行人检测 重新设计的RFBNet300,模型参数量只有0.99MB,AP达到0.78(排名RFBNet300降了4个点,相当于RFong7993降了两个点),速度可以达到200FPS。RFSong779虽然参数量更小,但是速度与RFSong7993差不多,而精度低了两个点,因此更推荐RFSong7993。后面也利用RFSong7993版本做了很多其他实验,例如钢筋检测,人手检测还有人头检测,表现都还是很好的。 详细讲解请看文章: 环境 在python3.6 Ubuntu1
  3. 所属分类:其它

    • 发布日期:2021-03-10
    • 文件大小:4194304
    • 提供者:weixin_42153691
  1. 在自建的数据集上训练yolov3准备(四):将密集人头检测数据集brainwash标注转换成yolo标注,并用yolo_mark验证(附python脚本)-附件资源

  2. 在自建的数据集上训练yolov3准备(四):将密集人头检测数据集brainwash标注转换成yolo标注,并用yolo_mark验证(附python脚本)-附件资源
  3. 所属分类:互联网

  1. 在自建的数据集上训练yolov3准备(四):将密集人头检测数据集brainwash标注转换成yolo标注,并用yolo_mark验证(附python脚本)-附件资源

  2. 在自建的数据集上训练yolov3准备(四):将密集人头检测数据集brainwash标注转换成yolo标注,并用yolo_mark验证(附python脚本)-附件资源
  3. 所属分类:互联网

  1. 基于优化可形变区域全卷积神经网络的人头检测方法

  2. 人头检测技术是人数统计领域一项重要的研究内容,基于检测的人数统计方法常用于视频监控领域。人头检测常常受到遮挡、背景干扰、光照等因素影响。为解决上述问题,提出一种基于区域全卷积神经网络进行头部检测的方法。特征学习阶段通过残差网络和区域候选网络获得特征及感兴趣区域,并在残差网络中添加可形变卷积层。再将感兴趣区域输入池化层,进行可形变位置敏感均值池化。最后进行分类与目标位置精修,并提出将位置敏感感兴趣区域对齐并进行池化操作。为了改善网络在多尺度头部的检测效果,更新区域候选网络中锚点生成规则。利用在线难
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:10485760
    • 提供者:weixin_38742927