深度学习用在检测的开山之作！

详细的介绍最先进深度学习中目标检测算法rcnn,sppnet,fast rcnn,faster rcnn的实现原理和各个算法之间优缺点和递进性的改进的细节实现的效果。

利用Fast RCNN训练自己的数据做无人机检测（一）-附件资源

R-CNN, Fast R-CNN, Faster R-CNN一路走来，基于深度学习目标检测的流程变得越来越精简，精度越来越高，速度也越来越快

经常要做汇报，还要做PPT，所以上传一些自己做的PPT做个保留，有人下载那就更好啦！

深度学习，rcnn（文章及代码） Fast R-CNN, a clean and fast framework for object detection. Compared to traditional R-CNN, and its accelerated version SPPnet, Fast R-CNN trains networks using a multi-task loss in a single training stage.

更快的R-CNN的更快的Pytorch实现 开头写 [05/29/2020]此回购协议成立于两年前，它是第一个支持多GPU训练的开源对象检测代码。 它整合了许多人的巨大努力。 但是，我们发现最近几年出现了许多高质量的回购协议，例如： 在这一点上，我认为此回购在管道和编码方式方面已超出数据范围，因此不会积极维护。 尽管您仍然可以将此仓库用作游乐场，但我强烈建议您转到上面的仓库以探究物体检测的西方世界！ 介绍 :collision: 好消息！ 这个仓库现在支持pytorch-1.0 ！！！ 我们从借了一些代码和技术。 只需转到pytorch-1.0分支！ 此项目是更快的R-CNN的更快的pytorch实现，旨在加速训练更快的R-CNN对象检测模型。 最近，有许多不错的实现： ，基于Pycaffe + Numpy开发 ，基于Pytorch + Numpy开发 基于TensorFlow + Numpy开发的

这是一个使用 YOLO 前端和 Fast RCNN 后端的面罩检测模型。 我们使用 YOLO 的逐像素对象预测作为 Fast RCNN 的区域提议器。不同大小的像素（通过使用不同大小的过滤器）对应于这些位置不同大小的 RoI。这种架构是为人脸检测量身定制的，因为它最适合“方形”对象。 objectness>0.5 的位置被送入 Fast RCNN 后端，用于边界框回归和图像分类（如正确佩戴口罩、佩戴不当口罩、无口罩） 该模型建立在在 ImageNet 上预训练的 InceptionV3 之上 数据集取自 Kaggle

基于深度学习的目标检测技术Fast R-CNN，用于图像中目标识别与分类。

RCNN fast-RCNN faster-RCNN三篇著名目标检测经典论文，打个包方便大家下载~