针对视频车辆检测问题，提出了一种基于LSTM的视频车辆检测算法模型。该算法接受视频序列作为输入，先利用卷积网络提取视频帧的空间特征，然后利用LSTM模块得到时间维度的特征，最后利用全卷积网络预测最终的检测结果。将所提算法与其他典型的算法进行比较，实验结果表明所提算法具有更好的检测准确率，同时检测速度也更快。

为了进一步提高室内检测跟踪系统的有效性和稳定性,以经典的混合高斯模型为基础,结合了积分直方图方法,提出了一种室内场景中适应光照变化的运动目标检测算法。该方法通过当前帧和背景帧的全局积分直方图差分来确定光线变化的程度。对于全局的光线突变,进行模型的全局更新。对于局部的光线变化,用光线变化比例作为高斯模型权值更新率因子,实时控制更新速率。再对高斯模型提取的前景,用区域局部积分直方图进行虚假前景的判断和消除,从而进一步提纯真实前景。仿真实验结果表明:算法较好地消除了场景中光照变化对目标检测的影响。

图像显着性检测算法matlab代码mDRFI _ Matlab 皮肤镜图像中的显着性检测 皮肤镜图像中的显着性检测，如本文所述：M. Jahanifar等人（“皮肤镜图像中病变的受监督的显着性图驱动分割”）（arXiv ：） **这是用于在皮肤镜图像中进行病变分割的算法的一部分，在“ ISIC2017：针对黑色素瘤检测的皮肤病变分析-第1部分：分割”中排名第七。 可以在上述论文中获得对分割方法的完整说明** mDRFI是用于显着性检测的DRFI模型的修改版本，在论文“论文显着物体检测：具有区别性的区域特征集成方法”（arXiv ：）中进行了描述。 我们为显着性特征添加了一些新的区域属性描述符，以便更好地检测皮肤镜图像中的病变。 另外，提出了新的伪背景区域以提高显着性检测。 此实现包含显着性检测方法（mDRFI）的全部pipiline，包括培训和测试阶段。 代码中还实现了颜色恒定性校正。 首先，运行compile.m来编译mex文件（您需要c ++编译器，例如Windows上的Microsoft Visual Studio才能执行此操作）。 如果您想训练自己的随机森林回归器，请查看tra

基于机器学习，利用常用异常检测算法（Isolation Forest、CBLOF、KNN）对数据集中的异常数据进行识别及检测。 孤立森林（Isolation Forest）于2008年由西瓜书作者周志华团队提出，凭借其线性的时间复杂度与优秀的准确率被广泛应用于工业界中结构化数据的异常检测。

内含数据集以及算法的源码，适合算法工程师在本领域的练手项目

内含数据集以及算法的源码，适合算法工程师在本领域的练手项目

基于深度学习和机器学习的恶意软件检测算法 内含数据集以及训练预测脚本

基于机器学习和深度学习的恶意域名检测算法 DGA：恶意域名生成算法 内含数据集以及训练脚本

基于贝叶斯和cnn的webshell检测算法

该算法计算时间序列的时间频率分布 (TFD)、递归图 (RP) 和动态复杂度 (DC)，并将变化点分析应用于原始以及 TFD、RP 和直流。 详细信息可以在我们随附的论文中找到（提交出版）。