R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先使用Selective Search 搜寻可能存在物体的区域。Selective Search 可以从图像中启发式地搜索出可能包含物体的区域。相比穷举而言， Selective Search 可以减少一部分计算量。下一步，将取出的可能含高物体的区域送入CNN 中提取特征。CNN 通常是接受一个固定大小的图像，而取出的区域大小却各有不同。对此， R-CNN的做法是将区域缩放到统一大小，

用Faster Rcnn 训练自己的数据成功经验(matlab版)、将数据集做成VOC2007格式用于Faster-RCNN训练

运行Faster RCNN需要的工具包，里面还有操作说明，若下载了不会用的欢迎私信我，我看到一定会回复的。

快速R-CNN的简单快速实现 1.简介 [更新：]我将代码进一步简化为pytorch 1.5，torchvision 0.6，并用来自torchvision的ops roipool和nms替换了自定义的ops roipool和nms。 如果您想要旧版本的代码，请检出分支 该项目是基于和其他的简化的快速R-CNN实现。 我希望它可以作为那些想了解Faster R-CNN详细信息的人的入门代码。 目的是： 简化代码（简单胜于复杂） 使代码更直接（扁平比嵌套更好） 匹配报告的性能（速度计数和mAP问题） 它具有以下功能： 它可以作为纯Python代码运行，不再需要构建事务。 这是在大约2000行有效代码中的最少实现，其中包含大量注释和说明。（由于chainercv的出色文档） 与原始实施相比，它实现了更高的mAP（0.712 VS 0.699） 它可实现与其他实现方式相当的速度

引用自github的fasterrcnn代码，能够实现文章中的实验，安装readme配置即可

Keras-FasterRCNN 更快的R-CNN的Keras实现：通过区域提议网络实现实时目标检测。 克隆自 更新： 支持inception_resnet_v2 要在keras.application中将inception_resnet_v2用作特征提取器，请使用transfer / export_imagenet.py创建新的inception_resnet_v2模型文件 如果使用原始的inception_resnet_v2模型作为特征提取器，则无法在fast-rcnn上加载权重参数 用法： theano和tensorflow后端均受支持。 但是在theano中编译时间非常长，强烈建议使用Tensorflow。 train_frcnn.py可用于训练模型。 要训​​练Pascal VOC数据，只需执行以下操作： python train_frcnn.py -p /path/t

Faster-RCNN在linux tensorflow python3.7下运行时需要的make生成文件

Faster-RCNN在linux tensorflow python3.7下运行时需要的make生成文件cython_nms

RCNN, Fast RCNN, Faster RCNN这一系列目标检测算法训练的指导

1 Faster-RCNN (1)输入测试图像； (2)将整张图片输入CNN，进行特征提取； (3)用RPN生成建议窗口(proposals)，每张图片生成300个建议窗口； (4)把建议窗口映射到CNN的最后一层卷积feature map上； (5)通过RoI pooling层使每个RoI生成固定尺寸的feature map； (6)利用Softmax Loss(探测分类概率) 和Smooth L1 Loss(探测边框回归)对分类概率和边框回归(Bounding box regression)联合训练. 1.1 Conv layers 包含了conv，pooling，relu三种层 1.1