针对实际交通场景下的车辆目标，应用深度学习目标分类算法中具有代表性的Faster R-CNN框架，结合ImageNet中的车辆数据集，把场景中的目标检测问题转换为目标的二分类问题，进行车辆目标的检测识别。相比传统机器学习目标检测算法，基于深度学习的目标检测算法在检测准确度和执行效率上优势明显。通过本实验结果分析表明，该方法在识别精度以及速度上均取得了显著的提高。

本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。objectdetection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。objectdetection技术的演进：RCNN->SppNET->Fast-RCNN->Faster-RCNN这里有一个图像任务：既要把图中的

基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN 实现目标检测 tensorflow 基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN 实现目标检测 tensorflow

从py-faster-rcnn修改，在windows下添加了需要的fast RCNN层，已经生成pycaffe，供python版本的faster RCNN调用。这里增加了gpu版本。安装了python3，以及依赖包，下载caffemodel就可以运行。 cpu版本 http://download.csdn.net/download/wanggao_1990/10180233

Faster R-CNN 的基础网络，ckpt 文件

Faster R-CNN 的基础网络，ckpt 文件

此资源为本人博客《Faster R-CNN学习笔记》https://blog.csdn.net/WANGWUSHAN/article/details/115550391中模型的可编辑版。

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks翻译

想学习R-CNN、Fast R-CNN、Faster R-CNN必看的5篇经典论文，详细介绍了算法的原理