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。

该资源包含了近些年经典的基于深度学习的目标检测论文，有RCNN、Fast-RCNN、Faster-RCNN、Mask-RCNN以及YOLO系列

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，技术本文总结了近十年来的深度学习目标检测算法

可用于视频目标检测的深度学习代码，完整好用，可直接运行

基于tensorflow深度学习框架，采用python语言编写代码，实现基于深度学习的目标检测程序

SSD目标检测算法论文-英文原版，SSD: Single Shot MultiBox Detector

提取深度学习目标检测标注文件xml文件中的目标的坐标，并保存到txt文件中，批量读取

--Tensorflow+SSD+Yolo（目标检测）文章4.训练自己模型的SSD完整详细步骤 该资源是本篇文章的操作步骤以及参考帖子的截图，以防参考帖子失效。

本ppt解释了rcnn、fast rcnn、faster rcnn和yolo的算法原理和流程。