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）

对kera-yolov3源代码进行一定修改，可直接用于windows环境下执行目标检测；其中包含了已下载的权重文件yolov3.weights以及生成的模型model_data/yolo.h5，还包含了image下用于检测的图片

ssd_inception_v2_coco_2017_11_17.tar.gz的模型，可用于目标检测

城市道路中车辆检测与识别对于提升交通安全，发展智能化交通具有非常重要的意义。传统的检测方式依赖于人工提取的特征，已难以适用于复杂多变的交通场景，存在识别精确度低、时间复杂度高等缺陷。深度学习模型可以自动提取有用特征，泛化能力强，但难以对相似型车辆进行更加精细的分类，为此提出一种基于残差网络的小型车辆目标检测算法。算法将传统卷积神经网络的连接形式改为一种基于局部连接和权值共享的残差连接模式，同时更改网络结构控制参数数量，将图片不同层次的特征融合计算，应用感兴趣区域池化层规格化前层特征，最后经过分类层和回归层得到目标框的置信度以及修正参数。实验表明，改进模型能够在保证时间效率的前提下增强网络的学习能力，提高平均精度，在相似小型车辆的检测问题上取得了良好的检测结果。

该文件中代码通过C++和opencv的DNN模块调用darknet训练的yolo检测模型，实现目标检测。

详细描述了YOLOV2损失函数构建过程，梯度求导，以及训练，最后还包含了一个可视化过程。本文件的使用，要结合xml_parse.py, get_dataset.py, gt_box_label.py, YOLO_model.py这些文件一起使用

本文件主要使用Tensorflow2.0框架搭建了YOLOV2网络模型，同时finetuning了网络初始权重，包含了网络测试代码

SqueezeSeg点云目标识别的翻译版，虽然还存在一些翻译上的细节，但是相对于英文好多了。

yolov5官方提供的pt模型，网络不好时下载较慢，这里将下好的模型分享给大家。已经验证过yolov5s的pt模型可以通过tensortx中的方法，转换为TensorRT可以的格式，并跑通流程。

此资源整理和收集了2020年CVPR计算机视觉顶会发布的关于的目标检测等方面的论文，可供CV专业学生以及相关工作人员学习使用与参考。