目標檢測識別知識總結
傳統的目標檢測
基於CNN的目標檢測
RCNN—FAST-RCNN—FASTER-RCNN—————http://blog.csdn.net/WoPawn
區別：點選開啟連結
YOLO—————
SSD—————
Mask-RCNN—————
名詞解釋
hard negative mining—————點選開啟連結（知乎使用者-想養一隻狗）
bbox-regression—————
softmax—————
softmax-loss—————https://www.cnblogs.com/dudumiaomiao/p/6560841.html
相關推薦
目標檢測識別知識總結
傳統的目標檢測 基於CNN的目標檢測 RCNN—FAST-RCNN—FASTER-RCNN—————http://blog.csdn.net/WoPawn 區別：點選開啟連結 YOLO————— SSD————— Mask-RCNN————— 名詞解釋 hard negative
目標檢測最新進展總結與展望
導言 目標檢測是計算機視覺和數字影象處理的一個熱門方向，廣泛應用於機器人導航、智慧視訊監控、工業檢測、航空航天等諸多領域，通過計算機視覺減少對人力資本的消耗，具有重要的現實意義。因此，目標檢測也就成為了近年來理論和應用的研究熱點，它是影象處理和計算機視覺學科的重要分支，也是智慧監控系統
Relation-Network目標檢測演算法詳細總結分析（one/two-stage)(深度學習)(CVPR 2018)
論文名稱：《 Single-Shot Refinement Neural Network for Object Detection 》 論文下載：https://arxiv.org/abs/1711.06897 論文程式碼：https://github.com/sfzhang1
珍藏 | 基於深度學習的目標檢測全面梳理總結（下）
關於作者：@李家丞 同濟大學數學系本科在讀，現為格靈深瞳演算法部實習生。 作者個人主頁：李家丞 | 個人主頁 | 關於我 導言：目標檢測的任務表述 如何從影象中解析出可供計算機理解的資訊，是機器視覺的中心問題。深度學習模型由於其強大的表示能力，加之資料量的積累和
珍藏 | 基於深度學習的目標檢測全面梳理總結（上）
關於作者：@李家丞 同濟大學數學系本科在讀，現為格靈深瞳演算法部實習生。 作者個人主頁：李家丞|個人主頁|關於我 導言：目標檢測的任務表述 如何從影象中解析出可供計算機理解的資訊，是機器視覺的中心問題。深度學習模型由於其強大的表示能力，加之資料量的積累和計算力的
Faster R-CNN 目標檢測演算法詳細總結分析（two-stage)(深度學習)(NIPS 2015)
論文名稱：《 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 》 論文下載：https://papers.nips.cc/paper/5638-faster-r-cnn-t
Fast R-CNN 目標檢測演算法詳細總結分析（two-stage)(深度學習)(ICCV 2015)
論文名稱：《 Fast R-CNN 》 論文下載：https://arxiv.org/pdf/1504.08083.pdf 論文程式碼：https://github.com/rbgirshick/fast-rcnn 一、 網路結構：
R-CNN 目標檢測演算法詳細總結分析（two-stage)(深度學習)(CVPR 2014)
論文名稱：《 Rich feature hierarchies for accurate object detection and semantic segmentation 》 論文下載：https://arxiv.org/pdf/1311.2524.pdf 論文程式碼：ht
YOLOv3 目標檢測演算法詳細總結分析（one-stage)(深度學習)(CVPR 2018)
論文名稱：《 YOLOv3: An Incremental Improvement 》 論文下載：https://pjreddie.com/media/files/papers/YOLOv3.pdf 論文程式碼: https://github.com/pjredd
YOLOv2 目標檢測演算法詳細總結分析（one-stage)(深度學習)(CVPR 2017)
論文名稱：《 YOLO9000: Better, Faster, Stronger 》 論文下載: https://arxiv.org/abs/1612.08242 論文程式碼: http://pjreddie.com/yolo9000/ 一、演算法
YOLOv1目標檢測演算法詳細總結分析（one-stage)(深度學習)(CVPR 2016)
論文名稱： 《 You Only Look Once: Unified, Real-Time Object Detection 》 論文連線：https://github.com/pjreddie/darknet 程式碼連線：http://arxiv.or
RFBNet目標檢測演算法詳細總結分析（one/two-stage)(深度學習)(ECCV 2018)
論文名稱：《 Receptive Field Block Net for Accurate and Fast Object Detection 》 論文下載：https://arxiv.org/pdf/1711.07767.pdf 論文程式碼：https://github.co
SSD 目標檢測演算法詳細總結分析（one-stage)(深度學習)(ECCV 2016)
論文名稱：《 SSD: Single Shot MultiBox Detector 》 論文下載：https://arxiv.org/pdf/1512.02325.pdf 論文程式碼：https://github.com/weiliu89/caffe/tree/ssd
Soft-NMS目標檢測演算法詳細總結分析（one/two-stage)(深度學習)(ICCV 2017)
論文：《 Improving Object DetectionWith One Line of Code 》 論文下載：https://arxiv.org/abs/1704.04503 論文程式碼：https://github.com/bharatsingh430/soft-nms
YOLT目標檢測演算法詳細總結分析（one-stage)(深度學習)(CVPR 2018)
論文名稱：《 You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery 》 論文下載：https://arxiv.org/abs/1805.09512 論文程式碼：https://g
02-分類與目標檢測識別
1、單個目標的識別/檢測，當影象資料來源較少的時候，而目標的分類任務還比較簡單的時候，使用“遷移學習”， 遷移學習的本質：使用少量資料對已經訓練好的模型進行funetuning 微調，使得更容易、模型效果更好的目的。 最有影響力的目標檢測的文章：
視訊目標檢測識別
之前文章目標檢測API 已經介紹過API的基本使用，這裡就不贅述了，直接上本次內容的程式碼了，新增的內容並不多。將測試的test.mp4原檔案放到models-master\research\object_detection路徑下，並建立一個detect_vid
基於深度學習的雷達目標檢測識別——寫在畢業前
工作後很少上csdn了，大家有問題請移步github提問吧，我會盡快回復！ ---------------------------------分割線--------------------------------------------------- 研究生畢設做的雷達目
yolo 目標檢測演算法個人總結（yolov1）
yolo 目標檢測演算法個人總結 目前yolo目標檢測有兩個版本，分別為v1和v2。因工作需要用yolo演算法檢測人物，所以這段時間重點看了這兩篇論文，並實現了對應的tensorflow程式碼。這裡記錄下在論文閱讀過程中的一些細節資訊，留給自己，同時也希望各位能指出本人
深度學習CNN用於目標檢測的方法總結
The improvement of Fast R-CNN over SPPnetillustrates that even though Fast R-CNN uses single-scale training and testing,fine-tuning the conv layers provide