underwater_detection N/A

Fork 0 关注 0

本项目由想测水深团队建立，用于向水下目标检测中光学图片物体检测，在2019年初由国家自然科学基金委员会、湛江市人民政府以及鹏城实验室联合举办的水下目标检测算法赛光学赛项中获得第三十一名的好成绩。

原始仓库地址：https://github.com/wakinguup/underwater_detection.git

海洋空间环境感知（虎鲸）开源计划 / 2020-uodac-kg N/A

Fork 0 关注 0

本项目由KG团队建立，用于向水下目标检测中声呐扫描图片分析，在2019年初由国家自然科学基金委员会、湛江市人民政府以及鹏城实验室联合举办的水下目标检测算法赛声学赛项中获得第十五名的好成绩。

原始仓库地址：https://github.com/dbofseuofhust/2020-uodac-kg.git

海洋空间环境感知（虎鲸）开源计划 / underwater_shengxue N/A

Fork 0 关注 0

本项目由默写年华团队建立，用于向水下目标检测中声呐扫描图片分析，在2019年初由国家自然科学基金委员会、湛江市人民政府以及鹏城实验室联合举办的水下目标检测算法赛声学赛项中获得第二十名的好成绩。

原始仓库地址：https://github.com/qiulinzhang/underwater_shengxue.git

海洋空间环境感知（虎鲸）开源计划 / under_water N/A

Fork 0 关注 0

本项目由三档向前冲团队建立，用于向水下目标检测中声呐扫描图片分析，在2019年初由国家自然科学基金委员会、湛江市人民政府以及鹏城实验室联合举办的水下目标检测算法赛声学赛项中荣获了三等奖。

原始仓库地址：https://github.com/shanglidan/under_water.git

海洋空间环境感知（虎鲸）开源计划 / pytorch-uodac N/A

Fork 0 关注 0

本项目由Synthesis团队建立，用于向水下目标检测中光学图片物体检测，在2019年初由国家自然科学基金委员会、湛江市人民政府以及鹏城实验室联合举办的水下目标检测算法赛光学赛项中荣获了三等奖。

原始仓库地址：https://github.com/chenyingpeng/pytorch-uodac.git

海洋空间环境感知（虎鲸）开源计划 / underwater-object-detection N/A

Fork 0 关注 0

本项目由Rill团队建立，用于向水下目标检测中声呐扫描图片分析，在2019年初由国家自然科学基金委员会、湛江市人民政府以及鹏城实验室联合举办的水下目标检测算法赛声学赛项中荣获了三等奖。

原始仓库地址：https://github.com/zhengye1995/underwater-object-detection.git

海洋空间环境感知（虎鲸）开源计划 / underwater_detection N/A

Fork 2 关注 0

本项目由Kris++团队建立，用于向水下目标检测中光学图片物体检测，在2019年初由国家自然科学基金委员会、湛江市人民政府以及鹏城实验室联合举办的水下目标检测算法赛光学赛项中荣获了三等奖。

原始仓库地址：https://github.com/sankin97/underwater_detection.git

海洋空间环境感知（虎鲸）开源计划 / uodac_sonar N/A

Fork 0 关注 0

本项目由真就玄学团队建立，用于向水下目标检测中声呐扫描图片分析，在2019年初由国家自然科学基金委员会、湛江市人民政府以及鹏城实验室联合举办的水下目标检测算法赛声学赛项中荣获了二等奖。

原始仓库地址：https://github.com/pengzhiliang/uodac_sonar.git

xview-yolov3 Python

Fork 0 关注 0

本项目是在 xView 2018 挑战赛中训练 YOLOv3 模型的代码。本项目是为2018年卫星图像检测挑战赛而实现的代码，这次挑战赛是由国防部创新组实验室（DIUx）和国家地理空间情报局（NGA）发布新的卫星图像数据集，以推进计算机视觉的关键领域并为国家安全和灾害响应开发新的解决方案。

原始仓库地址：https://github.com/ultralytics/xview-yolov3.git

yolov3 Python

Fork 0 关注 0

本项目是基于 PyTorch 实现的 YOLOv3 模型。在基本的图像特征提取方面，YOLO3采用了称之为Darknet-53的网络结构（含有53个卷积层），它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路（shortcut connections）。YOLO2曾采用passthrough结构来检测细粒度特征，在YOLO3更进一步采用了3个不同尺度的特征图来进行对象检测。

原始仓库地址：https://github.com/ultralytics/yolov3.git