faster-rcnn-orpn-r101-fpn-1x-mssplit-rr-dota10-epoch12

A Tensorflow implementation of FPN detection framework.

代码运行环境+代码 TensorFlow实现 遥感图像识别 FPN算法 Convnext神经网络

https://blog.csdn.net/weixin_42899627/article/details/111893453?spm=1001.2014.3001.5502

用于目标检测的特征金字塔网络 推荐FPN的改进版本： : FPN检测框架的Tensorflow实现。 您可以参考论文《 基于FPN参考 ， 和和旋转检测方法如果对您有用，请加注星标以支持我的工作。 谢谢。 配置环境 ubuntu（在Windows上可能会出现编码问题）+ python2 + tensorflow1.2 + cv2 + cuda8.0 + GeForce GTX 1080 您还可以使用docker环境，命令：docker pull yangxue2docker / tensorflow3_gpu_cv2_sshd：v1.0 安装 克隆存储库 git clone https:/

数据融合matlab代码MonoDepth-FPN-PyTorch 一个简单的端到端模型，可在PyTorch中实现深度预测的最新性能。 我们使用功能金字塔网络（FPN）骨架来从单个输入RGB图像估计深度图。 我们在NYU深度V2数据集（官方拆分）和KITTI数据集（本征拆分）上测试了模型的性能。 要求 的Python 3 Jupyter Notebook（可视化） 火炬用PyTorch 0.3.0.post4测试 CUDA 8（如果使用CUDA） 跑步 python3 main_fpn.py --cuda --bs 6 要从保存的模型继续训练，请使用 python3 main_fpn.py --cuda --bs 6 --r True --checkepoch 10 要可视化重建的数据，请在vis.ipynb中运行jupyter笔记本。 数据处理 NYU深度V2数据集 包含各种室内场景，其中249个用于训练的场景和215个用于测试的场景。 我们使用官方分组进行了培训和测试。 这为数据处理提供了非常详细的演练和matlab代码。 在先前的工作之后，我们使用了官方工具箱，该工具箱使用了Le

用于目标检测的注意力导向上下文特征金字塔网络 该存储库在的基础上重新实现 。 请按照上的说明安装和使用此存储库。 此仓库发布了不带AM模块的，但与纸上pytorch的实现相比，我们可以获得更高的性能。 同样，由于有检测器的强大功能，此回购协议在训练和推理中速度更快。 CEM的实现非常简单，少于200行代码，但是它可以将FPN（resnet50）中的AP性能提高近3％ 。 交流FPN AC-FPN可以轻松插入现有的基于FPN的模型中并提高性能。 物体检测的可视化。 两种型号均基于基于COCO minival的ResNet-50。 使用（w）和不使用（w / o）我们的基于ResNet-50的模块在Mask CO-minival上进行Mask R-CNN的结果。 更多细节。 标杆管理 由于建议的体系结构，我们在大多数基于FPN的方法（尤其是大型对象）上均具有更好的性能。

mmdetection的模型文件，外网下载比较慢，这个是rpn_r50_fpn_1x_20181010-4a9c0712.pth

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

VisDrone（无人机航拍图像目标检测）的对象检测 我的环境 1，Windows10（可使用Linux） 2，tensorflow> = 1.12.0 3，python3.6（anaconda） 4，cv2 5，合奏盒（pip安装合奏盒） 数据集（训练集的XML格式） （1）。数据集可从（2）。请在（提取码：ia3f）或上下载xml批注，然后在./core/config/cfgs.py中进行配置（3）。您还可以使用./data/visdrone2xml.py生成您的visdrone xml文件，修改路径信息。 training-set format: ├── VisDrone2019-DET-train │ ├── Annotation(xml format) │ ├── JPEGImages 预训练模型（ResNet50vd，101vd） 请在（krce）或上下载