视网膜网 这是Pytorch中RetinaNet的实现，使用ResNet作为主干和FPN。 它基于和的代码。 在VOC上训练 1.下载PASCAL VOC 2012 trainval数据集并解压缩。 其路径应为“ {root_dir} / VOCdevkit / ..”。 2.下载此仓库 git clone git@github.com:qqadssp/RetinaNet.git cd RetinaNet 3.从预训练的权重 cd checkpoint wget https://download.pythorch.org/models/resnet50-19c8e357.pth cd .. 4，初始化模型 python init.py 5.在“ config”中修改配置文件。 对于VOC数据集，请用您的{root_dir}修改“ TRAIN：DATASETS_DIR”

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％。

目标检测二十年综述Object Detection in 20 Years: A Survey中英对照翻译、重点及关键词标注

目标检测二十年综述Object Detection in 20 Years: A Survey中英对照翻译、重点及关键词标注

DETR学习分享：内含PPT分享

android调用matlab代码Android-App-for-Object-Detection 这个项目是关于使用 OpenCV 和神经网络开发一个应用程序，并考虑到目标检测目标（特别是 TinyYOLOv3）。 入门 好吧，该项目已经开始使用应用程序制作的基本版本。 这只是一个使用相机的 .apk，按下时只有一个按钮； 使用 . 使用智能手机摄像头检测 您可以使用下面给出的文件在 Android Studio 中创建一个项目并在您的手机上运行该应用程序。 如果您还想自己编译项目，则需要执行一个预处理步骤。 在手机的内部存储（不是 SD 卡）中创建一个名为“dnns”的文件夹。 下载“yolov3-tiny.cfg”和“yolov3-tiny.weights”文件 将您下载的文件复制到您在手机中制作的文件“dnss”中。 添加了对象检测器的文件。 这只是整个 Android Studio 项目； 如果你只专注于重要的三重奏，我帮你解决了； 你可以在下面找到它们。 库是为 mainactivity.java 中使用的函数实现的。 对于此代码和教程，所有功劳都归功于精彩：。 在开发过程

Improving Object Detection With One Line of Code.pdf

少量物体检测 （ECCV 2020）PyTorch实施的论文“野外物体的少量目标检测和视点估计” 如果我们的项目对您的研究有所帮助，请考虑引用： @INPROCEEDINGS{Xiao2020FSDetView, author = {Yang Xiao and Renaud Marlet}, title = {Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild}, booktitle = {European Conference on Computer Vision (ECCV)}, year = {2020}} 变更日志 [2020年12月15日]在download_models.sh中download_models.sh的CO

EfficientDet：可扩展且高效的对象检测 最新对象检测架构EfficientDet的PyTorch实现 动机 截至我开始从事该项目时，GitHub上没有PyTorch实施与该模型参数的数量与原始论文相匹配。 所有现有的存储库都与最近发布的TensorFlow实施方式发生了很大的变化（例如，更改主干的步幅，缺少批处理规范化层，池化层中没有“相同”的填充策略，不同的训练超参数，不使用指数移动平均衰减等）。 这是我在PyTorch中重现EfficientDet的尝试。 我的最终目标是从原始论文复制训练周期并获得几乎相同的结果。 实施注意事项 除了TensorFlow实现之外，我还消除了卷积层中无用的偏差，然后进行了批量归一化，这导致了参数减少。 模型动物园 型号名称 重物 #params #params纸 肺动脉压 val mAP纸 D0 38.78万 390万 32.8 33.5

NudeNet：用于裸体分类，检测和选择性检查的神经网络 以下图像的未经审查的版本可以在 ）中找到 分类器类： 班级名称 描述 安全的 图片/视频不带有露骨色情内容 不安全的 图片/视频是露骨的 默认检测器类： 班级名称 描述 EXPOSED_ANUS 肛门暴露； 任何性别 EXPOSED_ARMPITS 裸露的腋窝； 任何性别 COVERED_BELLY 挑衅，但遮盖了肚皮； 任何性别 EXPOSED_BELLY 腹部裸露； 任何性别 COVERED_BUTTOCKS 挑衅，但遮盖了臀部； 任何性别 EXPOSED_BUTTOCKS 暴露的臀部； 任何性别 FACE_F 女性的脸 FACE_M 男性面Kong COVERED_FEET 覆盖脚； 任何性别 EXPOSED_FEET 裸露的脚； 任何性别 COVERED_BREAST_F 挑衅，但涵盖乳房； 女