Android和树莓派上的TensorFlow-Lite对象检测 展示如何训练TensorFlow Lite对象检测模型并在Android，Raspberry Pi等上运行它们的指南！ 介绍 TensorFlow Lite是用于在资源受限的边缘设备上部署轻量级深度学习模型的优化框架。 TensorFlow Lite模型具有更快的推理时间和更少的处理能力，因此可用于在实时应用程序中获得更快的性能。 本指南提供分步说明，说明如何训练自定义TensorFlow对象检测模型，如何将其转换为TensorFlow Lite可以使用的优化格式以及如何在Android手机或Raspberry Pi上运行它。 该指南分为三个主要部分。 每个部分在此存储库中都有其自己的专用README文件。 如何在Windows 10上训练，转换和运行自定义TensorFlow Lite对象检测模型<---您在这里！

DOTA-DOAI 抽象的 这个repo是我们团队参加DOTA相关比赛的代码库，包括旋转和水平检测。 我们主要使用基于的两阶段检测器，由和完成。 我们还推荐了一个基于张量流的，由领导。 表现 DOTA1.0（任务1） 模型 骨干 训练数据 数值数据 地图 模型链接 技巧 lr schd 数据增强 图形处理器 图像/GPU 配置 FPN ResNet152_v1d (600,800,1024)->MS DOTA1.0 trainval DOTA1.0测试 78.99 全部 2x 是的 2X GeForce RTX 2080 Ti 1 cfgs_dota1.0_res152_v1.py DOTA1.0（任务2） 模型 骨干 训练数据 数值数据 地图 模型链接 技巧 lr schd 数据增强 图形处理器 图像/GPU 配置 FPN（内存消耗） ResNet152_v1

End-to-End Object Detection with Transformers论文阅读笔记

每个像素都很重要：域自适应对象检测器的中心感知特征对齐 该项目托管用于实现“ （ECCV 2020）的代码。 介绍 域自适应对象检测器旨在使其自身适应可能包含对象外观，视点或背景变化的不可见域。大多数现有方法都在图像级别或实例级别采用特征对齐。但是，全局特征上的图像级别对齐可能会同时纠缠前景/背景像素，而使用提案的实例级别对齐可能会遭受背景噪声的困扰。 与现有解决方案不同，我们提出了一种域自适应框架，该框架通过预测逐像素的对象度和中心度来考虑每个像素。具体而言，所提出的方法通过更加关注前景像素来进行中心感知对齐，从而实现跨域更好的适应性。为了更好地跨域对齐要素，我们开发了一种中心感知的对齐方法，该方法可以进行对齐过程。 我们在众多的适应性设置上展示了我们的方法，并获得了广泛的实验结果，并针对现有的最新算法展示了良好的性能。 安装 检查以获取安装说明。 我们的无锚检测器的实现很大程度上基于F

压缩包内包含1.protoc-3.3.0-win32.zip压缩包（在win10 64bit下解压运行OK）； 2.在bin\object_detection文件夹下转换成功的protos文件夹，共63个项目； 包含以下py文件: train_pb2.py string_int_label_map_pb2.py ssd_pb2.py ssd_anchor_generator_pb2.py square_box_coder_pb2.py region_similarity_calculator_pb2.py preprocessor_pb2.py post_processing_pb2.py pipeline_pb2.py optimizer_pb2.py multiscale_anchor_generator_pb2.py model_pb2.py mean_stddev_box_coder_pb2.py matcher_pb2.py losses_pb2.py keypoint_box_coder_pb2.py input_reader_pb2.py image_resizer_pb2.py hyperparams_pb2.py grid_anchor_generator_pb2.py graph_rewriter_pb2.py flexible_grid_anchor_generator_pb2.py faster_rcnn_pb2.py faster_rcnn_box_coder_pb2.py eval_pb2.py calibration_pb2.py box_predictor_pb2.py box_coder_pb2.py bipartite_matcher_pb2.py argmax_matcher_pb2.py anchor_generator_pb2.py

Categorical Depth Distribution Network for Monocular 3D Object Detection翻译

简单的物体检测程序 ##使用React js（ ）。 Tensorflow js（ ）。 安装 npm install 跑步 npm start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 npm test 在交互式监视模式下启动测试运行器。 有关更多信息，请参见关于的部分。 npm run build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 生成被最小化，并且文件名包括哈希值。 您的应用已准备好进行部署！ 有关更多信息，请参见关于的部分。 npm run eject 注意：这是单向操作。 eject ，您将无法返回！ 如果您对构建工具和配置选择不满意，则可以随时eject 。 此命令将从您的项目中删除单个生成依赖项。 相反，

与 （CVPRW'19）高效骨干网 这个软件库包含 （ICCV'19）与 （CVPRW'19）高效的骨干网络。 该代码基于FCOS的 强调 高效记忆 更好的性能，特别是对于小物体 速度更快 与ResNet主干网比较 相同的超参数 相同的训练方案（最大纪元，学习率时间表等） 8个TITAN Xp GPU pytorch1.1 CUDA v9 cuDNN v7.2 骨干 多尺度培训 推断时间（毫秒） 箱式AP（AP / AP / APm / APl） 下载 R-50-FPN-1x 不 84 37.5 / 21.3 / 40.3 / 49.5 -- V-39 -FPN-1x 不 82 37.7 / 22.4 /41.8/48.4 R-101-FPN-2x 是的 104 41.3 / 25.0 / 45.5 / 53.0 -- V-57 -FPN-2x 是的

目标检测综述文章：Deep Learning for Generic Object Detection: A Survey

具有共同注意和共同激励的一站式目标检测 介绍 谢婷一，罗以晨，陈焕宗，刘廷- 神经信息处理系统（NeurIPS），2019年， 该项目是One-Shot Object Detection的纯pytorch实现。 大多数代码是从。 我们正在做和将要做的 支持tensorboardX 上载ImageNet预训练模型。 提供参考图片。 提供检查点模型。 训练PASCAL_VOC数据集 准备 首先，克隆代码 git clone https://github.com/timy90022/One-Shot-Object-Detection.git 1.先决条件 Ubuntu 16.04 Python或3.6 火炬1.0 2.数据准备 可可：也请按照中的说明准备数据。 请参阅此存储库中提供的脚本。 3.预训练模型 我们在实验中使用ResNet50作为预训练模型。 通过排除所有与COCO