face-py-faster-rcnn, 基于 R CNN的人脸检测 基于高速cnn的实时人脸检测这个库包含了使用更快的r cnn的人脸检测源文件。 它是基于出色的py-faster-rcnn 库开发的。有关技术细节，请参阅这里的technial报告 。 快速r-cnn最初描述在 NIPS 2015纸 。

目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个百分点和8.00个百分点。没有进行数据增强的情况下,在COCO 2014数据集上的准确率相较Faster R-CNN算法提升了2.40个百分点。

DeepF（深时尚） 背景 基于“深层时尚数据集”的时尚分析。 以下术语适用 “类别”：衣服分为“上身”，“下身”和“全身”衣服 “类别”：在类别中，服装的不同类别（例如，“ T恤”，“衬衫”等） 设定环境 该项目假定您已经设置了环境。 该项目基于以下主要依赖关系（这是在执行时。新版本也可以使用）： classDetect ， classDetectKinli ：python = 3.6.7 tensorflow-gpu = 1.11.0 keras = 2.2.4 keras-frcnn ：python = 3.6.8 tensorflow-gpu = 1.8.0 keras = 2.2.0 （注意：较旧版本的keras / tensorflow是必需的，因为较新版本中存在一个错误，会在模型训练期间导致致命错误） 提示：在具有Xeon 6核3.5 GHz，12 GB RAM，NV

安装faster rcnn caffe 傻子教程 从驱动到运行.超级完整，花了半个月研究出来的完整流程，只收5个积分，真亏了。。

在通过嘴部进行人机交互的场景下，外界光线变化、小目标检测的复杂性、检测方法的不通用性等因素给不同场景下嘴部的识别带来了很大困难.该文以不同场景下的人脸图像为数据源，提出了一种基于改进Faster R-CNN的人脸嘴部识别算法.该方法在Faster R-CNN框架中结合多尺度特征图进行检测，首先将同一卷积块不同卷积层输出的特征图结合，然后对不同的卷积块按元素进行求和操作，在输出的特征图上进行上采样得到高分辨率的表达能力更强的特征，从而提高了嘴部这种小目标的检测性能.在网络训练试验中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.实验表明，相比于原始的Faster R-CNN，对嘴部的检测准确率提高了8%，对环境的适应性更强.

tensorflow2.0版本的faster rcnn源码，采用了FPN和ResNet，希望大家踊跃下载

Comparing the differences between Faster RCNN and RPN+BF in pedestrain detection By zyq&cyq Introduction 行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。随着深度学习的性能的优越性，将深度学习的方法应用到行人中以提高检测准确率。本工程分别采用Faster R-CNN和RPN+BF网络，对Caltech数据集进行训练和测试，并比较两者的结果。 This code has been tested on Ubuntu 16.04 with MATLAB 2014b and CUDA 7.5. Citing RPN+BF @article{zhang2016faster, title={Is Faster R-CNN Doing Well for Pedes

https://zhuanlan.zhihu.com/p/31426458，知乎大神之作。 转化成pdf版本，方便打印阅读

针对当前车牌识别系统在存在复杂环境以及车牌倾斜的情况下无法精确定位的问题,提出一种基于卷积神经网络的端到端车牌精确定位算法,从而精确计算车牌的坐标。通过Faster R-CNN对输入车辆图片中的信息进行处理,提取候选区域的特征映射,利用特征映射计算车牌的精确坐标。实验结果表明本文算法在OpenITS数据库的功能评测数据库中的平均识别准确率为99%,在性能评测数据库中的平均识别准确率为85%。

为内窥镜伪影检测和分割 (EAD2020) 挑战提出的框架的实施 - 检测任务 挑战： : 我们的方法在人工制品检测任务中排名。 首先，最好阅读论文以了解一般框架： 可以在获取已安装 PyTorch 和 Detectron2 环境的 Docker 映像 本工作中使用的对象检测模型（Faster RCNN、Cascade RCNN 和 RetinaNet）基于构建 Ensemble and Test Time Augmentation改编自 对于引用，请使用以下 BibTeX 条目 @inproceedings { polat2020endoscopic , title = { Endoscopic Artefact Detection with Ensemble of Deep Neural Networks and False Positive Elimination.