Project-Object-Detection 南方电网项目，自然环境、复杂背景下绝缘子目标检测 ###待检测图片1 ###结果1 ###待检测图片2 ###结果2 ###待检测图片3 ###结果3 ###待检测图片4 ###结果4 ###待检测图片5 ###结果5 ###待检测图片6 ###结果6 ###待检测图片7 ###结果7 ###待检测图片8 ###结果8 ###待检测图片9 ###结果9 ###待检测图片10 ###结果10 ###Superpixel-Based Compressive Tracking ###【算法对比图 SCT、FCT、CT、Frag、MIL、VTD、TLD、Struck、LOT】

用于目标检测的特征金字塔网络 注意 基于FPN的。 支持多GPU培训！ 抽象 这是的的张量流重新实现。 该项目基于 ，由和完成。 对VOC 2007进行培训，对VOC 2007进行测试（PS。该项目还支持可可培训。） 比较方式 use_voc2007_metric 楷模 地图 羊 马 自行车 瓶子 牛 沙发 总线 狗 猫 人 培养 餐桌 飞机 汽车 盆栽 电视监视器 椅子 鸟 船 摩托车 resnet50_v1 73.09 72.11 85.63 77.74 55.82 81.19 67.34 82.44 85.66 87.34 77.49 79.13 62.6

我们的 CVPR 2019 论文 Distilling Object Detectors with Fine-grained Feature Imitation 的实现 我们提出了一种基于锚点的对象检测模型的通用蒸馏方法，以利用大型教师模型的知识获得增强的小型学生模型，该模型是正交的，可以进一步与量化和剪枝等其他模型压缩方法相结合。 香草知识蒸馏技术的关键观察是预测置信度的类间差异揭示了笨拙的模型如何趋于泛化（例如，当输入实际上是一只狗时，模型将在猫标签上放置多少置信度）。 虽然我们的想法是物体附近特征响应的位置间差异也揭示了检测器倾向于泛化的程度（例如，模型的响应对于不同的近物体锚点位置有何不同）。 我们发布了基于 shufflenet 的检测器和基于VGG11的Faster R-CNN 的提取代码，该代码库实现了基于Faster R-CNN模仿。 检查以获取基于 Shufflene

yolov2源码matlab版收集论文和其他资源，以使用深度学习进行对象检测和跟踪 静态检测 地区提案 使用深度神经网络的可扩展对象检测cvpr14 （，） 选择性搜索对象识别ijcv2013 （，） 神经网络 使用区域提议网络更快地实现实时对象检测的R-CNN tpami17 （，） Mask R-CNN （，（ ，，，， ）[Facebook AI研究] YOLO 您只需查看一次统一的实时对象检测ax1605 （，） YOLO9000更好，更快，更强ax16_12 （，） YOLOv3增量改进ax180408 （，） 固态硬盘 SSD单发MultiBox检测器eccv16_ax16_12 （，） DSSD反卷积单发检测器AX1701.06659 （，） 视网膜网 用于对象检测的功能金字塔网络ax170419 （，） 密集物体检测的焦点损失ax180207 （，） 杂项 使用卷积网络过分集成的识别，定位和检测ax1402 iclr14 （，） LSDA通过适配压区进行大规模检测14 ax14_11 （，） 视频检测 细管 利用卷积神经网络CVPR16从视频小管中检测目标 带有Tube

A Multi-Sensor Fusion System for Moving Object Detection and Tracking in Urban Driving Environments - icra-14-sensor-fusion.pdf

TJU-DHD数据集（物体检测和行人检测） 这是“ ”的官方网站，这是一个新建的用于目标检测和行人检测的高分辨率数据集。 115k +图像和700k +实例 场景：交通和校园，任务：物体检测和行人检测 高分辨率：图像分辨率至少为1624x1200像素，物体高度从11像素到4152像素。 多样性：外观，比例，照度，季节和天气差异很大 行人检测的跨场景评估和同场景评估 如果您对行人检测感兴趣，请参阅或。 目录 2.1 2.2 3.1 3.2 4.1 4.2 4.3 TJU-DHD行人 引文 测试集评估 接触 1.简介 在自动驾驶汽车和视频监控的感知模块中，车辆，行人和骑行者是最重要和最有趣的对象。 但是，检测这种重要物体（尤其是小物体）的最新性能远远不能满足实际系统的需求。 大规模，丰富多样的高分辨率车辆和行人数据集在开发更好的目标检测方法以满足需求方面起着重要作用。 从网站收集的

Pytorch简单CenterNet-45 如果您正在寻找其他CenterNet，请尝试！ 这个仓库是一个简单的pytorch实现的 ，一些代码取自。 顾名思义，此版本简单易读，所有复杂的部分（数据加载器，沙漏，训练循环等）都以更简单的方式重写了。 顺便说一下，还添加了对nn.parallel.DistributedDataParallel的支持，因此该实现的训练速度比正式代码快得多（在8个GPU上约为75 img / s与36 img / s）。 享受！ 要求： python> = 3.5 pytorch == 0.4.1或1.1.0（DistributedDataParallel培训仅在使用1.1.0时可用） tensorboardX（可选） 入门 禁用cudnn批处理规范化。 打开torch/nn/functional.py并找到与torch.batch_norm的行，并

PubLayNet PubLayNet是文档图像的大型数据集，其布局用边框和多边形分割标注。 有关更多信息，请参见 PMC4334925_00006.jpg PMC538274_00004.jpg 最近更新 15/Sept/2020年15/Sept/2020 -添加培训代码。 29/Feb/2020年29/Feb/2020 -为maskrcnn_resnet50_fpn添加基准测试。 22/Feb/2020年22/Feb/2020 -（Pytorch）中的预训练Mask-RCNN模型。 标杆管理 建筑学 Iter num（x16） 美联社 AP50 AP75 AP小 AP培养基 AP大 MD5SUM 196k 0.91 0.98 0.96 0.41 0.76 0.95 393e6700095a673065fcecf5e8f264f7 演示版 在上面的基准测试

41篇目标检测论文，包含综述、One-stage系列、Two-stage系列、YOLO系列、模型压缩与加速系列等论文；

COCO 数据集（全称为 Common Objects in Context）目前最常用于图像检测定位的数据集，是一个新的图像识别、分割、和字幕数据集，其对于图像的标注信息不仅有类别、位置信息，还有对图像的语义文本描述。本资源提供coco 2014下载资源网盘链接，如果失效可以根据文件中邮箱地址咨询