三篇深度学习图像处理方向必读论文---rcnn，fastrcnn，fasterrcnn 这三篇是rcnn的提出和发展，fasterrcnn是当下图像识别最好的模型之一

LocNet为更快的R-CNN提高了定位精度 1.简介 这个项目是一个简化的更快的基于RCNN改善由LocNet（LOC-更快RCNN的简称）实现 。 它的目标是： 通过在Fast R-CNN部分中使用LocNet，提高Faster R-CNN的定位精度。 的首次公开实施。 该论文的作者未发布其版本。 与原始论文中报告的性能相匹配。 它具有以下功能： 它可以作为纯Python代码运行，不再需要构建事务。 （CUDA代码移到cupy，Cython加速是可选的） 此实现与原始论文略有不同： 此处不使用跳过池。 来自conv5_3层的信息（原始Faster R-CNN的功能图）足以满足我的任务，因此在此存储库中删除了跳过池。 而且，随着诸如类的新方法的出现，跳过合并似乎已经过时了:) RPN网络与Faster R-CNN完全相同，这意味着仅应用了3X3转换，而不是原始论文中的3

深度学习目标检测模型cascade rcnn，深度学习框架使用的是tensorflow

PyTorch faster_rcnn之一—复现代码-附件资源

face-py-faster-rcnn, 基于 R CNN的人脸检测 基于高速cnn的实时人脸检测这个库包含了使用更快的r cnn的人脸检测源文件。 它是基于出色的py-faster-rcnn 库开发的。有关技术细节，请参阅这里的technial报告 。 快速r-cnn最初描述在 NIPS 2015纸 。

做两个图，一个是普通两阶级联检测器RCNN，另一个是Cascade RCNN。平时应用的时候没有那么深究内部的关系，做完图有了更深刻更连贯的理解。

Detectron-maskrcnn 训练自己的数据集 数据集为Labelme标注json格式

keras-rcnn：用于基于区域的卷积神经网络（RCNN）的Keras软件包

ObjectDetectionRestAPI Flask Web Server对象检测Mask-RCNN模型的实现 相依性 张量流> = 1.5 烧瓶> = 1.0.2 枕头> = 5.1.0 opencv> = 3.4.1 执行 运行Mask-RCNN对象检测服务器（默认为端口5000） python maskrcnn-server.py 或运行SSD MobileNet对象检测服务器（默认为端口5000） python ssd_server.py

安装faster rcnn caffe 傻子教程 从驱动到运行.超级完整，花了半个月研究出来的完整流程，只收5个积分，真亏了。。