少量物体检测（FsDet） FsDet包含ICML 2020论文《令人中的官方几次物体检测实现。 除了以前的作品所使用的基准，我们还在三个数据集上引入了新的基准：PASCAL VOC，COCO和LVIS。我们对多组实验的多次抽样训练样本进行了多组采样，并报告了基础班和新颖班的评估结果。这些在“中有更详细的描述。 我们还为我们的两阶段微调方法（TFA）提供了基准测试结果和经过预训练的模型。在TFA中，我们首先在数据丰富的基类上训练整个对象检测器，然后仅在小的平衡训练集上微调检测器的最后一层。见为我们提供的模型和的培训和评估指导。 FsDet的模块化程度很高，因此您可以轻松添加自己的数据集和模型。该存储库的目标是为检测少量物体提供一个通用框架，该框架可用于将来的研究。 如果您发现此存储库对您的出版物有用，请考虑引用我们的论文。 @article{wang2020few, tit

Caffe-SSD-对象检测 在Python中使用OpenCV在Caffe MobileNet上使用Single Shot MultiBox Detector进行目标检测。 SSD框架 单发MultiBox检测器可分为两部分： 使用基础网络提取特征 使用卷积滤波器进行预测 此实现将MobileNet深度学习CNN架构用作基础网络。 Caffe框架 Caffe是由Berkely AI Research和社区贡献者开发的深度学习框架。 Caffe。 这是使用Nvidia K-40 GPU每天训练超过600万张图像的更快的方法 运行代码 python detectDNN.py -p Caffe/SSD_MobileNet_prototxt -m Caffe/SSD_MobileNet.caffemodel 文章

STK11.6自带的C#代码，x64编译后的可执行exe程序。 原理是通过 互操作程序集 调用STK引擎 GraphicsHowTo OnAnimUpdate 3DObjectEditing.exe STKProTutorial等

视网膜网 这是Pytorch中RetinaNet的实现，使用ResNet作为主干和FPN。 它基于和的代码。 在VOC上训练 1.下载PASCAL VOC 2012 trainval数据集并解压缩。 其路径应为“ {root_dir} / VOCdevkit / ..”。 2.下载此仓库 git clone git@github.com:qqadssp/RetinaNet.git cd RetinaNet 3.从预训练的权重 cd checkpoint wget https://download.pythorch.org/models/resnet50-19c8e357.pth cd .. 4，初始化模型 python init.py 5.在“ config”中修改配置文件。 对于VOC数据集，请用您的{root_dir}修改“ TRAIN：DATASETS_DIR”

FairMOT 单次多对象跟踪的简单基准： ，张以夫，王春雨，王兴刚，曾文俊，刘文宇arXiv技术报告（ ） 抽象的 近年来，作为多目标跟踪的核心组件的目标检测和重新识别取得了显着进展。但是，很少有人关注在单个网络中完成两项任务以提高推理速度。沿此路径进行的初始尝试最终导致结果降低，这主要是因为未正确学习重新标识分支。在这项工作中，我们研究了故障背后的根本原因，并因此提出了解决问题的简单基准。在30 FPS时，它的性能明显优于MOT挑战数据集上的最新技术。我们希望这个基准可以启发并帮助评估该领域的新想法。 消息 （2020.09.10）FairMOT的新版本发布了！ （在MOT17上为73.7 MOTA） 主要更新 我们使用自我监督的学习方法在CrowdHuman数据集上对FairMOT进行了预训练。 要检测图像外部的边界框，我们使用左，上，右和下（4通道）来替换WH头（2通道）。

java Bertrand.Meyer的经典著作 面向对象经典书籍 一本就够

结合深度学习技术，提出了一种基于目标检测算法的农田病虫害识别方法，实现了农田病虫害的自动识别，提高了识别精度。 首先，建立有标签的农作物有害生物数据库； 然后使用Faster R-CNN算法，模型使用改进的Inception网络进行测试； 最后，在农作物病虫害数据库上对提出的目标检测模型进行了训练和测试，平均精度高达90.54％。

目标检测二十年综述Object Detection in 20 Years: A Survey中英对照翻译、重点及关键词标注

目标检测二十年综述Object Detection in 20 Years: A Survey中英对照翻译、重点及关键词标注

DETR学习分享：内含PPT分享