- 综合排序
- 最热优先
- 最新优先
- 来自专栏脑机接口
双脑协同RSVP目标检测
因此本文引入了一种双被试RSVP实验范式来进行目标检测，该范式中目标只需单次出现。 对于双脑目标检测模型取得比单脑目标检测取得更好的效果，本文做出以下解释。 最根本的是信息量的增加。显然,双脑所包含的待识别对象的信息量多于单脑，更多的信息量有助于目标检测的进行。 部分外部干扰与内部干扰的发生具备一定的偶然性，当双脑同时进行目标检测时，可以在一位被试受偶发因素的干扰检测能力下降时，还有另外一位具备较好检测能力的被试进行目标检测。 4 结论 本文在采集的双脑目标检测数据上，将双脑目标检测模型与SVM、xDAWN、EEGNet这三个单脑目标检测模型进行比较，在两位被试都配合实验的前提下，通过双人协作来完成目标检测可以比单人达到更高的精确率与召回率 相比于单被试进行目标检测，使用HyperscanNet进行双脑目标检测的稳定性更好(更小的标准差)。
57620编辑于 2022-08-18 - 来自专栏Python进阶之路
Python双端队列 实现回文检测
文章目录 一、双端队列 二、回文检测 一、双端队列 双端队列 Deque 是一种有次序的数据集，跟队列相似，其两端可以称作"首" 和 "尾"端，但 Deque 中数据项既可以从队首加入，也可以从队尾加入 某种意义上说，双端队列集成了栈和队列的能力。 但双端队列并不具有内在的 LIFO 或者 FIFO 特性，如果用双端队列来模拟栈或队列，需要由使用者自行维护操作的一致性。 定义双端队列，代码实现如下： class Deque: def __init__(self): # 创建空的双端队列 self.items = [] def is_empty 二、回文检测 “回文词” 指正读和反读都一样的词，如radar、bob、toot；中文：“上海自来水来自海上”，“山东落花生花落东山”。 算法实现如下： def palindrome_check(string): # 回文检测 str_deque = Deque() for item in string:
68520编辑于 2022-05-09 - 来自专栏玉龙小栈
堆叠技术之堆叠分裂、双主检测
若两台交换机都在正常运行，则其全局配置完全相同，会以相同的 IP 地址和 MAC 地址（堆叠系统 MAC）与网络中的其他设备交互，这样就导致 IP 地址和 MAC 地址冲突，引起整个网络故障，此时可以依靠堆叠的双主检测来避免堆叠分裂后出现双主 双主检测 ? 双主检测 DAD（Dual-Active Detect）是一种检测和处理堆叠分裂的协议，可以实现堆叠分裂的检测、冲突处理和故障恢复，降低堆叠分裂对业务的影响。 DAD 检测方式有以下几种： 1、 业务口直连检测方式： 业务口直连检测方式是指堆叠成员交换机间通过业务口连接的专用链路进行双主检测，如图所示。 业务口直连方式双主检测示意图 ? 2、Eth-Trunk 口代理检测方式： Eth-Trunk 口代理检测方式是指通过堆叠与代理设备相连的跨设备 Eth-Trunk 链路进行双主检测，如下图 所示。 Eth-Trunk 口代理方式双主检测示意图 ? 代理设备可以是一台独立运行的交换机，也可以是一个堆叠系统，即两个堆叠系统之间互为 Relay 代理，如下图 所示。 堆叠之间互为代理示意图 ?
4.6K30发布于 2021-02-24 - 来自专栏R语言交流中心
R语言之双细胞检测工具DoubletFinder
双细胞的定义是一个液滴或一个微孔中包含了2个或多个细胞 。根据Poisson分布，单个液滴包含超过一个细胞（doublets或multiplets）的频率随着上机细胞的浓度而改变。 一种称之为内嵌双细胞，在这种情况下，doublet和真正存在的某种细胞类型有相似的基因表达，doublet会和这些细胞被聚类到一起，同时在分群结果中占某一个群的一小部分，不会对最终的分析结果产生严重的影响 另一种情况称之为新型双细胞，在这种情况下，doublet会构成一个和现有的细胞类型基因表达非常不同的群，而这个新的群会严重影响到后续的分析结果。 其原理是从现有的矩阵的细胞中根据我们预先定义好的细胞类型模拟一些双细胞出来（比如单核和T细胞的双细胞、B细胞和中性粒细胞的双细胞等等），将模拟出的双细胞和原有矩阵的细胞混合在一起，进行降维聚类，原则上合成 sct = T) 5.结果展示 DimPlot(pbmc, reduction = "umap", group.by = "DF.classifications_0.25_11_171") 至此便是双细胞检测的所有步骤
10.1K11编辑于 2022-11-21 - 来自专栏计算机视觉战队
双尺度残差检测器：无先验检测框进行目标检测（附论文下载）
多尺度检测和先验框的混合是最先进的检测器中的常见做法，它利用了多尺度特征和预先计算的边界框统计数据。 二、前言 传统的目标检测方法使用多尺度特征，允许多个检测器独立并行地执行检测任务。 今天这项研究中，研究者介绍了Dubox，这是一种新的单阶段方法，可以在没有先验框的情况下检测目标。使用多尺度特征，设计的双尺度残差单元使双尺度检测器不再独立运行。第二个尺度检测器学习第一个的残差。 Residual Dual Scale Detectors 双尺度残差单元是基于共享特征提取主干的子结构。残差双尺度检测器通过共享 VGG-16、ResNet等特征提取网络来组合不同级别检测器的特征。 双尺度的冗余策略： Differentiate positive range：设计检测器1中的p为10，检测器2中的p为9。同时，向检测器1的正范围添加一个约束 => r=arg min(r, 3)。 （让大目标给检测器2来检测，检测器1只负责检测小目标） Bbox Bridge Module Bbox（边界框）桥模块将低级检测器和高级检测器的回归连接起来，从而使高级别回归基于低级残差。
47720编辑于 2022-01-26 - 来自专栏CSDN社区搬运
双深度学习模型实现结直肠癌检测
2.演示效果 acc可视化结果如下图所示： loss可视化结果如下图所示： 系统展示如下所示： 输入待检测图片后，选择检测模型： 最后输出检测结果，给出诊断意见： 核心逻辑 ResNet
35510编辑于 2024-12-17 - 来自专栏单细胞
单细胞scDblFinder异质性双细胞检测学习
scDblFinder包含了一系列用于在单细胞测序数据中检测和处理双细胞/多细胞（即在同一个液滴或反应体系中捕获了多个细胞）的方法，这些方法可以补充基于细胞标签和SNP的复用样本双细胞检测：1. 哈希/基因型方法能够识别来源于不同样本的双细胞（即使它们是同类型细胞形成的同质性双细胞，比如A样本的T细胞和B样本的T细胞），这种情况在转录组水平上往往与真实单细胞几乎无法区分（因此本工具包通常无法识别 但哈希/基因型方法这种方法无法检测来自同一样本的双细胞，即使它们是由不同细胞类型形成的异质性双细胞。 相比之下，scDblFinder 提供的方法主要针对异质性双细胞的识别，而在大多数分析场景中，这类双细胞也是最需要关注和处理的。
61010编辑于 2025-09-11 水果检测多类水果检测数据集13374张67类别有增强
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：13374 标注数量(xml文件个数)：13374 标注数量(txt文件个数)：13374 标注类别数：67 标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["apple","apricot","avocado","banana","beetroot","blueberry","cactus","cantaloupe","carambula","cauliflower","cherry","chestnut","clementine","cocos","cucumber","dates","dragon fruit","eggplant","ginger","granadilla","grape","grapefruit","guava","hazelnut","huckleberry","kaki","kiwi","kohlrabi","kumquats","lemon","limes","lychee","mandarine","mango","mangostan","maracuja","melon","mulberry","nectarine","nut","onion","orange","papaya","passion","peach","pear","pepino","pepper","physalis","pineapple","pitahaya","plum","pomegranate","pomelo","potato","quince","rambutan","raspberry","redcurrant","salak","strawberry","sugar apple","tamarillo","tangelo","tomato","walnut","watermelon"] 每个类别标注的框数： apple 框数 = 5449 apricot 框数 = 251 avocado 框数 = 294 banana 框数 = 3774 beetroot 框数 = 296 blueberry 框数 = 236 cactus 框数 = 284 cantaloupe 框数 = 258 carambula 框数 = 238 cauliflower 框数 = 278 cherry 框数 = 254 chestnut 框数 = 255 clementine 框数 = 254 cocos 框数 = 246 cucumber 框数 = 134 dates 框数 = 249 dragon fruit 框数 = 1292 eggplant 框数 = 265 ginger 框数 = 287 granadilla 框数 = 270 grape 框数 = 5237 grapefruit 框数 = 264 guava 框数 = 1272 hazelnut 框数 = 261 huckleberry 框数 = 272 kaki 框数 = 281 kiwi 框数 = 293 kohlrabi 框数 = 266 kumquats 框数 = 285 lemon 框数 = 268 limes 框数 = 271 lychee 框数 = 254 mandarine 框数 = 292 mango 框数 = 584 mangostan 框数 = 262 maracuja 框数 = 265 melon 框数 = 276 mulberry 框数 = 260 nectarine 框数 = 276 nut 框数 = 265 onion 框数 = 285 orange 框数 = 1513 papaya 框数 = 276 passion 框数 = 239 peach 框数 = 1207 pear 框数 = 517 pepino 框数 = 266 pepper 框数 = 278 physalis 框数 = 267 pineapple 框数 = 1090 pitahaya 框数 = 233 plum 框数 = 284 pomegranate 框数 = 262 pomelo 框数 = 243 potato 框数 = 256 quince 框数 = 267 rambutan 框数 = 266 raspberry 框数 = 229 redcurrant 框数 = 276 salak 框数 = 266 strawberry 框数 = 268 sugar apple 框数 = 1255 tamar
38911编辑于 2025-07-17- 来自专栏菩提树下的杨过
C#检测SqlServer中某张表是否存在
-- ============================================= -- Author: <杨俊明(菩提下的杨过 http://yjmyzz.cnblogs.com/)> -- Create date: <2010-5-17> -- Description: <检查指定表是否存在> -- ============================================= Create PROCEDURE up_TableExists @tableName nvarc
2K100发布于 2018-01-22 - 来自专栏技术汇总专栏
睡岗检测睡觉检测数据集（2000张图片已划分、已标注）轻松上手目标检测训练
睡岗检测/睡觉检测数据集（2000张图片已划分、已标注）轻松上手目标检测训练一、背景在工业生产、交通安全、智慧监控等领域中，“睡岗”行为（即工作人员在岗位上睡觉）可能带来极大的安全隐患。 二、数据集概述该数据集包含共计 2000张图像，均经过人工精细标注，支持直接用于目标检测任务的训练与验证。 ├── images/ │ └── labels/ └── sleep.yaml数据集在构建时，严格保证了训练与验证比例约为 5:1，以提升模型的泛化能力：训练集（train）：1769 张图像验证集 （valid）：354 张图像所有图片均为实景拍摄，涵盖不同光照、角度、摄像头分辨率等条件，以确保模型的鲁棒性。 通过对2000张图片的精细标注与划分，我发现以下几点非常关键：数据多样性决定模型鲁棒性同样是“睡岗”行为，不同光照、角度、摄像机清晰度都会显著影响检测效果。
44810编辑于 2025-10-23 - 来自专栏小满
android双待手机获取每一张SIM卡的imei
/** * create a TelephonyInfo.java class */ import java.lang.reflect.Method;
1.5K20发布于 2019-09-10 骨癌骨瘤检测检测数据集VOC+YOLO格式582张1类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
13010编辑于 2025-07-16数据集VOC格式打电话检测数据集-5364张
打电话数据集主要是针对智能手机正在打电话，标注规则为将头手机和手部分标注在一起，对于拿着玩手机不算打电话，网上很多都是标注不规范且不合理的，正确的标注是人把手机凑近耳朵要标注手机、头(或者耳朵，标注头的目的是可以使用head抑制误检测
18510编辑于 2025-07-16目标检测数据集黄瓜数据集VOC格式1309张
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：1308 标注数量(xml文件个数)：1308 标注类别数：1 标注类别名称:["cucumber"] 每个类别标注的框数： cucumber count = 2939
24010编辑于 2025-07-19西瓜数据集目标检测可用yolo训练-1702张介绍
数据集名称：高质量西瓜目标检测数据集 数据集地址：数据集VOC格式目标检测数据集西瓜数据集-1702张-数据集文档类资源-CSDN下载 数据集介绍： 数据集格式：Pascal VOC格式(不包含分割路径的
20110编辑于 2025-07-19桥梁损坏裂缝检测检测数据集VOC+YOLO格式2245张2类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2245 标注数量(xml文件个数)：2245 标注数量(txt文件个数)：2245 标注类别数：2 标注类别名称:["acrack","crack"] 每个类别标注的框数： acrack 框数 = 424 crack 框数 = 3627 总框数：4051 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
48010编辑于 2025-07-15海上红外目标检测检测数据集VOC+YOLO格式8402张7类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：8402 标注数量(xml文件个数)：8402 标注数量(txt文件个数)：8402 标注类别数：7 标注类别名称:[“bulk carrier”,“canoe”,“container ship”,“fishing boat”,“liner”,“sailboat”,“warship”] 每个类别标注的框数：
39300编辑于 2025-07-22- 来自专栏技术汇总专栏
目标检测数据集 — 田间杂草检测数据集（4000张图片已划分、已标注）
目标检测数据集 — 田间杂草检测数据集（4000张图片已划分、已标注）在现代农业领域，精准农业（Precision Agriculture） 已成为一个重要的发展方向。 本文将介绍一个 田间杂草检测数据集，该数据集共包含 4000张高质量图片，已完成科学划分与精确标注，可以直接应用于深度学习模型的训练与验证。 二、数据集概述该数据集围绕 田间杂草检测任务 进行构建，涵盖多种典型田间场景，具有以下特点：图片总数：4000张标注方式：YOLO标准格式（.txt 文件）数据划分：已按训练集（train）与验证集（val 精准农业研究在学术研究中，研究人员可以使用该数据集：比较不同检测模型（YOLOv8、Faster R-CNN、DETR等）的性能研究小目标检测、密集目标检测的优化方法探索 轻量化模型，便于部署到无人机、 六、结语本篇文章介绍了一个 田间杂草检测数据集，包含 4000张已划分、已标注的图片，采用标准的 YOLO 格式，支持直接用于主流目标检测框架的训练。
1.2K11编辑于 2025-09-04 - 来自专栏数据猿
数据猿张艳飞：启动“出海和视频”双战略 重构产业媒体价值
作为本次论坛的联合主办方，数据猿联合创始人、主编张艳飞在开幕环节发表致辞，从媒体视角分享了对数据产业十年变迁的深刻洞察，并系统阐述了数据猿作为产业观察者与生态共建者，如何在智能新时代持续深化专业价值、赋能产业发展的战略路径与使命担当 数据猿联合创始人、主编 张艳飞在第八届金猿大数据产业发展论坛的开幕致辞 以下为致辞内容： 非常荣幸在一年一度的“魔方·金猿大数据产业论坛”现场与各位相聚。
11210编辑于 2026-02-04 人脸表情识别目标检测数据集3.2w张介绍
因此我们需要用labelImg去标注人脸表情数据集作为yolo训练，为了解决目前voc格式的人脸表情识别的检测数据集短缺问题，所以发布了大规模的人脸表情检测数据集，由于CSDN下载限制，我们分为A,B, 具体信息如下： 一、人脸表情识别检测8类别A版-8279张可用yolo训练介绍： A版数据集地址： 数据集VOC目标检测数据集人脸表情识别检测8类别A版-8279张可用yolo训练-数据集文档类资源-CSDN 8类别B版-8197张可用yolo训练介绍： B版数据集地址： 数据集VOC目标检测数据集人脸表情识别检测8类别B版-8197张可用yolo训练-数据集文档类资源-CSDN下载 B版数据集介绍： 数据集格式 8类别C版-8038张可用yolo训练介绍： C版数据集地址： 数据集VOC目标检测数据集人脸表情识别检测8类别C版-8038张可用yolo训练-数据集文档类资源-CSDN下载 C版数据集介绍： 数据集格式 8类别D版-8038张可用yolo训练介绍： D版数据集地址： 数据集VOC目标检测数据集人脸表情识别检测8类别D版-8038张可用yolo训练-数据集文档类资源-CSDN下载 D版数据集介绍： 数据集格式
31210编辑于 2025-07-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号