使用目标检测的Deep-CNN模型 在这种情况下，使用预训练的卷积神经网络（CNN）MobileNet SSD（单发多盒检测器）模型来检测对象，并通过在对象上方添加一个包含对象名称的框来将对象定位在图像边界内等级和准确性。 mobilenet-ssd模型是旨在执行对象检测的Single-Shot Multibox Detection（SSD）网络。 通过使用SSD，我们只需要单张拍摄即可检测图像中的多个对象。该模型是使用Caffe *框架实现的。 要运行代码，只需运行RUN：python object_detection_image.py或python realtime_object_detection.py

埃斯甘 模型架构 增强和检测 低分辨率影像与侦测 超级解决影像与侦测 高分辨率地面真理图像和边界框 依赖关系和安装 Python 3（建议使用Anaconda） PyTorch> = 1.0 NVIDIA GPU + CUDA Python软件包： pip install -r path/to/requirement.txt 训练 python train.py -c config_GAN.json 测验 python test.py -c config_GAN.json 数据集 从此处下载数据集。 这是创建自定义图像补丁的GitHub存储库。 从此处下载预制数据集， 此脚本可与预制数据集一起使用，以创建高/低分辨率和双三次图像。 确保将注释文件（.txt）复制到HR，LR和Bic文件夹中。 编辑JSON文件 需要根据用户目录更改以下JSON文件的目录。 有关详细信息，

Object Detection in 20 Years: A Survey（摘要笔记，可做索引配合阅读）

目标检测与跟踪 目标检测和跟踪算法

全卷积网络的端到端目标检测 该项目在PyTorch上提供了“”的实现。 本文中的实验是在内部框架上进行的，因此我们在上重新实现了它们，并报告了以下详细信息。 要求 scipy> = 1.5.4 开始使用 在本地安装cvpods（需要cuda进行编译） python3 -m pip install ' git+https://github.com/Megvii-BaseDetection/cvpods.git ' # (add --user if you don't have permission) # Or, to install it from a local clone: git clone https://github.com/Megvii-BaseDetection/cvpods.git python3 -m pip install -e cvpods # Or, pip

Android NDK上的GPU加速TensorFlow Lite应用程序。 在Android NDK上运行并测量TensorFlow Lite GPU委托的性能。 1.应用 轻巧的人脸检测。 更高精确度的人脸检测。 检测面部并估计其年龄和性别 基于预训练模型 使用Moilenet进行图像分类。 物体检测 使用MobileNet SSD进行对象检测。 头发分割 头发分割和重新着色。 3D姿势 从单个RGB图像进行3D姿势估计。 虹膜检测 通过检测虹膜来估计眼睛位置。 姿势网 姿势估计。 深度估计（DenseDepth） 从单个图像进行深度估计。 基于https://github.com/ialhashim/DenseDepth的预训练模型 语义分割 为输入图像中的每个像素分配语义标签。 动漫自拍照 生成动漫风格的人脸图像。 基于https://githu

object_detection_hog_svm 使用HOG和SVM进行目标检测，主要代码来源于，可直接参考该仓库，本仓库仅仅为了自己的理解对文中代码进行阅读，后期加入定制的目标检测方法以及数据集。 基本思路 训练过程 准备一个数据集，包含pos（存在检测物体）和neg（不存在检测物体），这个数据集中的图像大小相同，比如（40, 100）高度x宽度，那么使用HOG检测子对数据集检测HOG特征，pos标记为正例样本，neg标记为负例样本，输入到SVM分类起进行训练，得到分类模型。 测试过程 输入一张图像，使用图像金字塔对图像进行下采样，每一个octave的图像进行滑窗操作，滑窗大小与训练数据集中的图像大小相同，比如（40, 100）高度x宽度，每一次滑窗后的图像提取HOG特征子，输入训练好的SVM分类器中进行预测，如果检测结果为正例样本，即pos存在检测物体，那么记录该检测结果，detect

yolov3.pytorch 该存储库用于对象检测。该算法基于实现的。多亏了和，基于他们的工作，我在PyTorch中重新实现了YOLO v3，以实现更好的可读性和可重复使用性。 消息 完整版本的更新日志可以在问题看到 （2018/10/10）支持VOC数据集培训。 环境环境 Python 3.6 PyTorch 0.4.1 CUDA（不支持CPU） pycocoapi 火车 如何在COCO上训练 下载数据集和注释，并在config.py提供您下载的数据集的完整路径，如下所示'coco' : { 'train_imgs' : '/home/data/coco/2017/train2017' , 'train_anno' : '/home/data/coco/2017/annotations/instances_train2017.json' } 在ImageNet下载官

数据融合matlab代码物体检测 基于handong1587 github的超棒对象检测： 这是有关对象检测的很棒的文章列表。 神经网络 快速R-CNN 更快的R-CNN 轻型头R-CNN 级联R-CNN SPP网 YOLO YOLOv2 YOLOv3 OLT 固态硬盘 可持续发展战略 FSSD 可持续发展委员会 MDSSD 佩里 消防固态硬盘 流式细胞仪 FPN DSOD 视网膜网 MegNet 精炼网 网络 SSOD 3D物体检测 ZSD（零位物体检测） OSD（一发式物体检测） 其他 基于handong1587的github（ 论文与守则 神经网络 丰富的功能层次结构，可实现准确的对象检测和语义分割 简介：R-CNN arxiv： 补充： 幻灯片： 幻灯片： github的： 笔记： caffe-pr（“使R-CNN成为Caffe检测示例”）： 快速R-CNN 快速R-CNN arxiv： 幻灯片： github的： github（COCO-分支）： 网络摄像头演示： 笔记： 笔记： github（“ MXNet中的快速R-CNN”）： github的： github的： git

天文物体检测 使用SDSS对天文物体进行分类-DR16数据 数据： SDSS-DR16：Sloan Digital Sky Survey或SDSS是一项主要的多光谱成像和光谱红移测量，使用的是位于美国新墨西哥州Apache Point天文台的专用2.5 m广角光学望远镜。 变量说明： objid =对象标识符 ra = J2000右提升（r波段） dec = J2000偏角（r波段） u = u波段 g = g波段 r = r波段 我=我的乐队 z = z波段 运行=运行编号 重新运行=重新运行编号 camcol =相机列 字段=字段编号 specobjid =对象标识符 类=对象类（星系，恒星或类星体对象） redshift =最终Redshift 板=板号 mjd =观察的MJD 光纤=光纤ID