Advertisement

Tracking Master是一个开源的多供应商网络分析跟踪器。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
Tracking Master 是一款由多个供应商提供的网络分析跟踪器，专门为 Bludit Flat File CMS 平台设计和开发。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Tracking Master: 开源的多供应商网络分析跟踪器
    优质
    Tracking Master是一款开源工具，旨在帮助用户管理和分析来自不同供应商的网络追踪数据。它提供了一种统一的方法来处理复杂的网络监控需求，使开发者和安全专家能够更有效地保护隐私并理解在线行为追踪机制。 Tracking Master 是为 Bludit Flat File CMS 创建的多供应商网络分析跟踪器。
     
  • DeepSORT-Master：基于DeepSORT的多目标跟踪源码
    优质
    DeepSORT-Master 是一个开源项目，实现了先进的 DeepSORT 多目标跟踪算法。该项目提供了详细的源代码和文档，便于研究者学习与开发。 深层排序介绍：该存储库包含使用深度关联度量标准（Deep SORT）进行简单在线和实时跟踪的代码。我们扩展了原始算法，以基于深层外观描述符集成外观信息。 依存关系： 此代码与Python 2.7 和3兼容。 运行跟踪器需要以下依赖项： - NumPy - Scikit-Learn - OpenCV 此外，特征生成还需要TensorFlow（版本1.0及以上）。 安装步骤如下： 首先克隆存储库。然后下载预生成的检测结果和CNN检查点文件。注意：我们预先生成的候选对象位置取自某篇特定论文中的数据。
     
  • Google MediaPipe Holistic Tracking GPU.apk 全面跟踪
    优质
    Google MediaPipe Holistic Tracking GPU.apk 是一个利用GPU加速处理的全面人体姿态、面部及手部追踪应用，适用于开发先进的AR和机器学习项目。 Google的MediaPipe Holistic Tracking GPU版可以通过holistictrackinggpu.apk安装使用，该应用提供全面的身体跟踪功能。
     
  • 多目标-多传感器跟踪应用与进展 第一卷...
    优质
    《多目标-多传感器跟踪应用与进展》第一卷全面介绍了在复杂环境下的多目标跟踪技术，汇集了最新的研究成果和实际应用案例，为研究人员及工程师提供了宝贵资源。 Multitarget-Multisensor Tracking Applications and Advances, Volume III [2000]
     
  • test_ord_trk1_DEMO_基于MATLAB的阶次分析与阶次跟踪_MATLAB阶次分析_order tracking 阶次
    优质
    本Demo展示如何使用MATLAB进行阶次分析和阶次跟踪，适用于旋转机械信号处理，帮助用户深入理解转速变化下的频谱特性。 阶次分析初级demo可用于初步学习如何用matlab进行阶次分析。
     
  • OpenBoxes：一个开源的供应链管理平台 - 开源
    优质
    OpenBoxes是一款旨在简化和优化供应链管理流程的开源软件。它为企业提供全面且灵活的解决方案，助力于库存控制、采购管理和物流追踪等关键环节。通过其用户友好的界面和模块化架构设计，该平台支持企业快速响应市场变化并提升效率，从而实现成本节约与业务增长。 OpenBoxes是一个开源的库存和供应链管理系统。它旨在管理仓库之间的产品流，并从这些仓库向医院病房和药房发放库存。此外，它可以用于管理药房库存，但不适用于跟踪患者级别的交易（例如管理和配发药物）。另外，该系统也不支持耐用医疗设备的管理或提供供应商相关信息。
     
  • COT（Computed Order Tracking）阶次跟踪算法.zip
    优质
    本资源提供了一种先进的阶次跟踪算法——COT(Computed Order Tracking)，用于精确分析机械信号中的周期性和瞬态特征。适用于故障诊断与机械设备状态监测领域，帮助工程师提高维护效率和预测设备寿命。 计算阶次跟踪（Computed Order Tracking）是一种用于振动信号分析和故障诊断的技术，特别适用于变转速数据的阶次分析，在MATLAB环境中应用广泛。
     
  • 基于OpenCV的多目标跟踪VS分析
    优质
    本研究利用OpenCV库开发了高效的多目标跟踪算法，并进行了视频序列中的性能验证与分析。 资源浏览查阅200次。先用背景差分完成目标提取,将运动目标的相关信息放入到链表中,通过帧差完成对多目标的跟踪,达到实时性的opencv算法代码可以在文库频道找到更多下载资源和学习资料。去掉链接后，简化为：使用背景差分技术进行目标提取，并将相关信息存储在链表中；利用帧差法实现多个运动对象的同时追踪，确保了操作的即时性。这段描述适用于寻求相关OpenCV算法代码的人士参考。
     
  • MHT算法及在多传感器跟踪中的问题分析
    优质
    简介：本文介绍了MHT（多目标跟踪）算法的基本原理及其在处理多传感器数据融合与目标跟踪的应用中遇到的问题，并进行深入分析。 MHT算法及其在多传感器跟踪中的挑战 本段落探讨了多假设跟踪（Multiple Hypothesis Tracking, MHT）算法的原理、关键技术和其在处理多个传感器数据关联问题上的应用。 1. **MHT 算法概述** 当面对不确定的数据关联时，MHT 通过生成多种可能情况来延迟决策。这与概率数据关联 (PDA) 方法不同，后者倾向于合并所有假设以简化分析过程。然而，在 MHT 中，即使存在多个可能性（例如十种），算法仍会保留这些假设直至后续观测能够提供更明确的信息。 2. **核心技术解析** 由于需要考虑大量潜在的关联情况，MHT 的计算复杂度较高。为了提高效率和实用性，采用了以下几种策略： - 聚类：通过将相似的目标轨迹组织成簇来简化处理流程。 - 剪枝技术（如 N-scan pruning）: 通过对不必要假设或轨迹进行删除以减少不必要的运算量。 - 目标路径合并：结合类似的行为模式，从而进一步降低计算需求。 3. **MHT 的核心步骤** 该算法包含两个主要部分： * 数据关联阶段：将新采集的数据与现有目标的追踪信息相匹配； * 轨迹管理阶段：优化初步数据关联结果以提高精度和可靠性； 4.**评分机制与概率评估** 利用 Score 函数来初筛潜在的目标路径，剔除那些不稳定的轨迹。接着通过 Probability 函数将这些筛选后的得分转化为目标或追踪的几率值，并据此进行进一步精简。 5. **应用前景分析** MHT 算法在多传感器环境下具有显著优势，尤其适用于复杂环境中需要精确识别和跟踪多个移动对象的应用场景中。它能够有效应对数据关联难题，从而提升整体系统的性能表现。