异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开，可以极大地减弱异常目标对背景的污染。基于此，提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法，通过LRaSMD的方式获取背景集，通过稀疏表达的方式从背景集中构建背景字典模型，最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证，实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。

全栈开发的林业害虫识别系统源码

摘要-多目标优化方法对于解决实际问题至关重要。 提出了一种用于多目标优化问题的人工蜂群算法。 在该算法中，首先选择具有较少主导解决方案和更大拥挤距离的解决方案进入下一代，以较高的概率并以自我形容步骤搜索其附近，然后将基于对立的策略应用于初始化，以加快对Pareto最优解集的收敛速度，并提高Pareto最优解的分布均匀性目标空间中的解决方案。 多目标测试函数的仿真结果验证了该算法的有效性。

基于chainer的centernet目标检测源码，已经整理好以类的方式进行调用，结构清晰，简单调用，纯源码

包括：CUDA版本说明，标注样例说明与标注准则；训练流程说明；测试流程说明；训练与测试均有需要修改的地方的代码截图

目标检测检测人+deepsort跟踪人，基于fasterrcnn以使用chainer默认的模型库 SSD的检测模型可私聊

目标检测，matlab，光流法 亲测可用

数学建模中会用到的常用MATLAB代码，可以求解线性规划的问题

 YOLOV4出现之后不久，YOLOv5横空出世。YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析，但是YOLOv5在COCO数据集上面的测试效果还是挺不错的。大家对YOLOv5算法的创新性半信半疑，有的人对其持肯定态度，有的人对其持否定态度。在我看来，YOLOv5检测算法中还是存在很多可以学习的地方，虽然这些改进思路看来比较简单或者创新点不足，但是它们确定可以提升检测算法的性能。其实工业界往往更喜欢使用这些方法，而不是利用一个超级复杂的算法来获得较高的检测精度。本文将对YOLOv5检测算法中提出的改进思路进行详细的解说，大家可以尝试者将这些改进思路应用到其它的目标检测算法中。 ———————————————— 版权声明：本文为CSDN博主「技术挖掘者」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/WZZ18191171661/article/details/113789486

光照影响下绿色作物的目标提取，朱晨亮，周平，在绿色作物的目标提取过程中，因为光照的影响，有部分目标无法被提取，从而使得提取的目标不完整。拍摄原始图像的过程中，光照的