2018年数据科学碗：“斑点核。速度治愈”。 该存储库包含我对解决方案的脚本。 竞赛的目的是创建一种算法，以自动从生物医学图像中进行核检测。 砝码现在可以。 型号概述 在本次比赛中，我修改了深层神经网络实现，以用于对象实例分割。 我调整了现有的模型配置，以检测大小和模态不同的图像中的小核。 为了确保模型不会过拟合，我使用了并严重依赖图像增强。 此外，基于从火车图像生成的马赛克。 为了提高模型的通用性，我基于提供的5种图像模态将stage1_train数据集（使用分层） stage1_train为训练集和验证集。 使用Resnet101作为主干编码器并使用Adam作为优化器训练模型后，我通过测试时间增加和对掩模进行后处理来提高预测精度。 训练方法 前处理 我注意到所提供的口罩存在一些问题。 因此，在线程中使用了提供的注释和掩码。 从图像中删除了Alpha通道。 口罩中的填充Kong

tensorflow版本 Faster RCNN训练自己的数据集-附件资源

mask_rcnn的最新版本模型

pvrcnn是一个两阶段检测算法。stage1采用常规的voxel-based的方法得到proposal。stage 2：refine。经过stage1得到了RoI, 刚刚的关键点特征提取得到了每个关键点的特征。然后可以进行refine了。还有一个Predicted Keypoint Weighting模块。它的作用主要是想降低不是前景点的关键点特征对refine阶段的影响。通过训练两层MPL来使得模型能够区分哪些是前景点，哪些是背景点，并对背景点赋予较小的权重。以gird point为球心，以某一设定值为半径画球，对包括在其中的关键点再次进行set abstraction操作，得到更高级的特征。这样做有一个好处就是，在画球的过程中，有可能将RoI之外的点包括进来，从而提供更丰富的语义信息，帮助模型更好的回归。这样重复6 * 6 * 6次，就能得到6 * 6 * 6个特征向量。

目标检测算法的介绍 In recent years, Convolutional Neural Network (CNN) has been widely applied in computer vision tasks and has achieved significant improvement in image object detection. The CNN methods consume more computation as well as storage, so GPU is introduced for real-time object detection. However, due to the high power consumption of GPU, it is difficult to adopt GPU in mobile applications like automatic driving. The previous work proposes some optimizing techniques to lower the power consumption of object detection on mobile GPU or FPGA. In the first Low-Power Image Recognition Challenge (LPIRC), our system achieved the best result with mAP/Energy on mobile GPU platforms. We further research the acceleration of detection algorithms and implement two more systems for real-time detection on FPGA with higher energy efficiency. In this paper, we will introduce the object detection algorithms and summarize the optimizing techniques in three of our previous energy efficient detection systems on different hardware platforms for object detection.

faster_rcnn源码详细注释版 从训练、测试的参数到每一步源码，均有详细的批注，如果在使用中有问题，可以在对应博客评论区留言，或者私信我

opencv4.0结合TensorFlow实现mask rcnn的目标分割效果Demo。 项目给予vs2015，其中没有加入mask_rcnn_inception_v2_coco训练数据集，如有导入需要可以去我的另一个资源中下载。

本demo是基于anaconda，opencv，tensorflow，keras等的代码实现 需要下载一个训练模型(模型名称为：mask_rcnn_coco.h5)才能跑起来,模型下载路径在本资源的readme.txt里有说明 首先需要安装好requirements.txt里的包，并运行demo.ipynb即可

遮罩R-CNN用于目标检测和分割 这是基于Python 3，Keras和TensorFlow的的实现。 该模型为图像中对象的每个实例生成边界框和分割蒙版。 它基于功能金字塔网络（FPN）和ResNet101主干网。 该存储库包括： 基于FPN和ResNet101构建的Mask R-CNN的源代码。 MS COCO的培训代码 MS COCO的预训练砝码 Jupyter笔记本电脑可在每个步骤可视化检测管线 用于Multi-GPU训练的ParallelModel类 评估MS COCO指标（AP） 在自己的数据集上进行训练的示例 该代码已记录并设计为易于扩展。 如果您在研究中使用它，请考虑参考此存储库。 如果您从事3D视觉工作，您可能会发现我们最近发布的数据集也很有用。 该数据集是由我们的客户捕获的3D重构空间创建的，这些客户同意将其公开提供给学术用途。 您可以看到更多示例。 入门 是最简

1.领域：matlab，Mask-RCNN 2.内容：基于Mask-RCNN的高精度目标检测和识别matlab仿真+代码仿真操作视频 3.用处：用于Mask-RCNN的高精度目标检测和识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。