深度学习进行物体检测的鼻祖论文，学习目标检测的经典文献，中英文对照翻译。。。

关于数据 请参考YOLO-V3-Tensorflow 1. 训练模型前的准备 A.数据准备 数据的标注仍然采用VOC格式的数据标注形式，如果是其他的标注形式比如COCO请自行实现相关代码。将数据最终转化为如下形式： # 单行数据的结构： (path_filename, x1, y1, x2, y2, class_name) # Note: # 一个path_filename 可能对应多个类别(class_name)，每个类别占用一行数据 # x1, y1, x2, y2 是原图像的坐标, 而不是ratio后图像上的坐标 # (x1, y1) 标注框的左上坐标; (x2, y2) 标注框的右下坐标 # x1,y1------------------- # | | # | | # | |

bottom-up-attention预训练模型caffe版本，dropbox 搬运，用来进行图像特征提取， dynamic 10-100 model

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％。

Ubuntu 16.04 测试 tf-faster-rcnn 在CPU下运行-附件资源

针对已有安全帽佩戴检测算法对部分遮挡、尺寸不一和小目标存在检测难度大、准确率低的问题，提出了基于改进的Faster RCNN和多部件结合的安全帽佩戴检测方法。在原始Faster RCNN上运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性，并引入防止正负样本不均衡的在线困难样本挖掘策略，然后对检测出的佩戴安全帽工人和安全帽等采用多部件结合方法剔除误检目标。实验表明，相比于原始Faster RCNN，检测准确率提高了7%，对环境的适应性更强。

vs运行matlab代码交通标志检测与分类 该模块是检测和分类的扩展。 以下动画显示了此模块的输出。 在安装过程中，我修改了原始的Faster-RCNN文件，以适应所做的更改以运行此模块。 请在下面查看许可证和引用信息。 内容 要求：软件 Caffe和pycaffe要求（请参阅pycaffe 注意： Caffe必须在支持Python层的情况下构建！ # In your Makefile.config, make sure to have this line uncommented WITH_PYTHON_LAYER := 1 # Unrelatedly, it's also recommended that you use CUDNN USE_CUDNN := 1 您可以在此存储库中看到可用的示例。 它使用conda和GPU支持。 您需要修改此文件以适合您的硬件配置。 您可能没有的Python软件包： cython ， python-opencv ， easydict [可选]仅对于官方的PASCAL VOC评估，才需要MATLAB。 该代码现在包括非官方的Python评估代码。 要求

输入图像为768x576。在faster-rcnn中使用vgg16作为分类网络模型。

【深度学习】Faster R-CNN+win10+tensorflow1.12.0+python3.6+CUDA9.0+cudnn7.3配置-附件资源

网络训练深度学习一行一行敲faster rcnn keras版第二部分