计算机视觉与深度学习 | 目标检测综述（RCNN、RPN、YOLOv1 v2 v3、FPN、Mask RCNN、SSD代码类）-附件资源

本资源是word文档，共9765个字，包括参考文献，按照学报格式撰写，这篇文章综述了近年来基于深度学习的目标检测的最新进展，包括传统目标检测，一阶段目标检测以及两阶段目标检测的分析，还分析了在识别任务中使用的一些突出的骨干网络和目标检测中常用的数据集。比较好的目标检测网络对于具有实时性的目标检测研究更为必要。

深度学习目标检测中需要使用标注工具来制作数据集。rolabelImg可标注旋转矩形，labelImg标注正矩形。

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat，到后面的 Fast/Faster R-CNN、SSD、YOLO 系列，再到 2018 年最近的 Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，从面向 PC 端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。

包含训练好的权重（人+车）+源码+行人检测追踪原视频+车辆检测追踪原视频。 基于Python+Pytorch+DeepSort

weapon武器目标检测红外数据集

基于深度学习的目标检测论文包括faster RCNN，SSD, YOLO,Mask RCNN等等，以及各种网络论文：LeNet，AlexNet、vgg，ResNet等等

包含YOLOv1、YOLOv2和YOLOv3的讲解PPT，方便课堂讲解。

人脸检测是目前所有目标检测子方向中被研究的最充分的问题之一，它在安防监控，人证比对，人机交互，社交和娱乐等方面有很强的应用价值，也是整个人脸识别算法的第一步。在本文中，SIGAI将和大家一起回顾人脸检测算法的整个发展历史。

基于深度学习目标检测和人体关键点检测的不健康坐姿检测（部分代码）