鹏城实验室开源水下声学数据集 N/A

Fork 0 关注 1

鹏城实验室开源水下声学数据集将分享每次实验实测的侧扫声呐数据集、前视声呐数据集等等，为水下声学领域提供数据支持。

侧扫声呐图像标注软件（OpenSLT） C++

Fork 0 关注 2

侧扫声呐图像标注软件（Open Side-Scan-Sonar Label Tool），简称**OpenSLT**，是一款能够对XTF格式文件直接进行标注的软件。其工作原理是在线解析XTF格式文件并生成图像，在此基础上进行标注，相比于传统标注方法，该软件能够有效的保留侧扫声呐图像的额外信息，如目标所在帧数、所在采样点、斜距信息等等，方便后续基于深度学习的目标检测算法开发。同时，该软件也支持以YOLO标注格式的输出，具备与传统标注软件相同的功能。

dwt N/A

Fork 0 关注 0

原始仓库地址：https://github.com/min2209/dwt.git

离线侧扫声呐数据xtf文件处理软件 C++

Fork 0 关注 2

ubuntu下离线侧扫声呐数据xtf文件处理软件，输出基本信息、航迹、回波强度等数据文件，使用方法请查阅doc中的使用手册

opencv_3rdparty C

Fork 0 关注 0

# OpenCV: Open Source Computer Vision Library This repository contains 3rdparty libraries used by OpenCV. ### OpenCV Resources OpenCV repository: https://github.com/opencv/opencv Homepage: https://opencv.org Docs: https://docs.opencv.org Q&A forum: https://answers.opencv.org Issue tracking: https://github.com/opencv/opencv/issues

原始仓库地址：https://github.com/opencv/opencv_3rdparty.git

鹏城实验室开源半自动标注系统 Java

Fork 0 关注 5

半自动标注系统是基于BS架构，由鹏城实验室自主研发，集成目标检测、视频跟踪、ReID分类、人脸检测等算法，实现了对图像，视频的自动标注，并可以人工对自动标注结果进行调整得到最终标注结果，同时也可以对视频、图片、医疗相关的数据进行人工标注。 半自动标注系统主要功能有：用户管理，数据集管理，自动标注，人工标注，ReID标注，车流统计，视频标注，医疗CT标注，超大图像标注，模型管理与重训，报表管理。数据标注过程一个非常重要的因素是数据安全，在标注使用中防止数据泄露，采用基于web标注工具是有效避免数据泄露的措施之一。 半自动标注系统以保证性能的情况下最小化人工标注代价为目标，不断提升自动标注效率，减少人工标注和人工参与过程。

eegtrack Python

Fork 0 关注 0

本工具包实现大批量、跨被试、跨设备的脑电数据和标签的预处理、采样、平衡、存储和机器学习数据集生成，涵盖分类、回归、自编码器、单样本模型调试等功能。需要Python 3.5以上的环境。

slurm-atlas-plugin C

Fork 0 关注 0

当您准备或已经在HPC（High Performance Computing）等大规模计算场景使用了昇腾AI集群，希望简化集群资源管理以及任务调度的相关工作，那么可以使用由北大团队合作贡献到昇腾开源社区的slurm plugin项目（https://gitee.com/ascend/slurm-atlas-plugin） 更加详细介绍参考：昇腾开发者 微信公众号对本项目的介绍。 https://mp.weixin.qq.com/s/jJ1Y-DR-00dd6U4I8V4PGA

原始仓库地址：https://gitee.com/ascend/slurm-atlas-plugin.git

prp Python

Fork 0 关注 0

This is the implementation of "Video Playback Rate Perception for Self-supervised Spatio-Temporal Representation Learning" in IEEE Conference on Computer Vision and Pattern Recognition(CVPR 2020)

原始仓库地址：https://github.com/yuanyao366/prp.git

PMMs-小样本语义分割方法 Python

Fork 0 关注 0

本项目提出了一种基于原型混合模型的小样本语义分割方法。该方法用于解决小样本语义分割中语义混叠的问题，在Pascal VOC 和COCO数据集上取得了显著的提升。 相关研究发表于ECCV 2020： "Prototype Mixture Models for Few-shot Semantic Segmentation" in European Conference on Computer Vision(ECCV 2020).