使用深度学习和OpenCV进行社交距离 目的 由于COVID-19，今天的不幸情况使人与人之间的距离至关重要。 目标是检测使用深度学习的人员，并找出人员之间的距离，以检查人员是否维持6英尺或1.8 m的标准社交距离。 工具和库 Python OpenCV YoloV3 描述 第1步：在相框/图片中找到人数。 步骤2：为使用YOLO确定的人员创建边界框。 步骤3：为对象设置宽度阈值，在其中测量距离，即人的宽度。 我将宽度设置为27英寸或0.70米。 如果需要，请尝试其他值。 步骤4：将像素映射到公制（米或英寸）。 步骤5：以米为单位，找到一个人到另一个人的中心点之间的距离。 结果

ODI利兹COVID-19英国数据集聚合器 我们创建了此存储库，以汇总（并跟踪）英国四个国家的重要COVID-19数据集的状态。 由于我们以前依靠的现在正在发生这种情况。 我们已经依赖于此，除非我们自己整理详细信息，否则我们的和“将不再更新。 数据集 笔记 案例数据： 英国 英格兰数据易于使用。 从仪表板链接-这可能会消失。 列标题具有空格，因此作为属性不太容易使用。 苏格兰 CSV在github存储库中，因此更易于引用。 ...但是每个NHS板的数据都在一个宽表中（行/日期，每个板的列）=>加工过程不那么容易。

官方网站 使用我们的数据集进行比赛 数据集许可证

基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab）

Epidemic.Network该算法通过使用（BATS，TBATS，Holt线性趋势，ARIMA，SIR和NNAR）模型预测共阴病例19 Makarovskikh Tatyana Anatolyevna“МакаровскихТатьянаАнатольевна” Abotaleb mostafa“АботалебМостафа” 电机工程与计算机科学系 南乌拉尔州立大学，车里雅宾斯克州，俄罗斯联邦 这项工作得到了俄罗斯联邦科学和高等教育部的支持（政府命令FENU-2020-0022）。

MATLAB用拟合出的代码绘图dataAndModelsCovid19 安装 克隆此存储库 git clone https://github.com/gasilva/dataAndModelsCovid19.git 或使用GitHub桌面和文件，克隆存储库 用法 直接在源.py文件中进行更改。 通过变量opt选择一个选项1至5 #Initial parameters #Choose here your options #option #opt=0 all plots #opt=1 corona log plot #opt=2 logistic model prediction #opt=3 bar plot with growth rate #opt=4 log plot + bar plot #opt=5 SEAIR-D Model opt = 0 国家模型 选择要在日志中绘制的国家/地区以分析增长率。 所有国家/地区可用。 #prepare data for plotting country1 = "US" country2 = "Italy" country3 = "Brazil

新型冠状病毒数据集（COVID-19）.zip

COVID新冠胸透数据集.zip

包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的

文件中包括一个新冠肺炎CT图像数据集、使用LLE、PCA以及PCA_LLE算法进行数据降维，结合SVM对数据进行训练与识别，在LLE 算法中，实现对 LLE 算法中邻域 k，维度 d 的最优估计问题，并经过 SVM最后分类识别结果作为评价标准。结果表明，参数优化算法具有一定的准确性，在优化的 k 值与 d 值时，LLE+SVM 的分类正确率最高，同时实验发现，PCA_LLE 组合算法的分类正确率与 LLE 算法相近，但是时间复杂度却远低于LLE 算法。 总结：资源中包括LLE算法，瑞士卷的处理、LLE参数的优化、PCA与LLE算法的结合，最后进行分类识别，识别率高达85%。