CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。

保姆级 Keras 实现 Faster R-CNN 十四 Jupyter notebook 示例代码. 完成了 Faster R-CNN 训练和预测的功能. 是完整的代码, 具体可参考 https://blog.csdn.net/yx123919804/article/details/115053895

目标检测算法Fast R-CNN的PPT演示文档，中文，制作精良，条理清晰，适合学习和教学

在Alexnet网络模型的基础上，基于迁移学习原理，来训练R-CNN目标检测网络。并对Matlab自带的stop sign(停止标志)图像数据集进行识别，该数据集已标注好。其实现步骤如下： 步骤一：导入Alexnet预训练的模型 步骤二：载入训练集图像 步骤三：设置训练参数，并基于迁移学习原理，在Alexnet卷积神经网络基础上，通过41幅包括stop sign的图像训练R-CNN检测器。 步骤四：使用测试图像检验训练好的目标检测器对stop sign图像的检测效果，在原图上标记目标区域并显示类别和置信度。

Mask R-CNN项目环境配置| cuda+cudnn+Anaconda+tensorflow+keras--linux系统-附件资源

链接永久有效，将模型解压放入py-faster-rcnn/data即可

工程流程 本文档实现了R-CNN算法进行目标检测的完整过程，包括 数据集创建 卷积神经网络训练 分类器训练 边界框回归器训练 目标检测器实现 本仓库最终实现一个汽车类别目标检测器 模块构成 区域建议生成：selectivesearch算法实现，生成类别独立的区域建议 特征提取：卷积神经网络AlexNet实现，从每个区域建议中提取固定长度的特征向量 线性SVM实现，输入特征向量，输出每类成绩 使用类指定的边界框回归器计算候选建议的坐标偏移 非最大抑制方法实现，得到最终的候选建议 关于区域建议算法selectivesearch实现，在训练阶段使用高质量模式，在测试阶段使用快速模式

摘要过去几年，在经典数据集PASCAL上，物体检测的效果已经达到一个稳定水平。效果最好的方法是融合了多种低维图像特征和高维上下文环境的复杂集成系统。在这篇论文里

随着深度学习的研究热潮，近年来对车辆目标的检测逐步从机器学习方法转变为深度学习方法.目前，大多数深度学习方法对车辆目标的检测都存在不同程度的错检漏检问题.针对车辆目标检测中存在的小目标的错检漏检、截断式待检目标的漏检和重叠遮挡待检目标的漏检等问题，提出一种基于增量学习数据集的车辆目标检测方法，该方法与Faster R-CNN算法结合对车辆目标实现检测和分类.在实验的最后，分别从主观判断和客观检测数据两个方面，对比了车辆目标检测中未使用增量学习方法和使用增量学习方法对实验结果的影响.实验证明，使用基于增量学习和Faster R-CNN的车辆目标检测方法在主观判断方面对错检漏检的目标有明显地改善效果，从客观数据分析，使用该方法与未使用增量学习方法相比，VGG16网络mAP值提升了4%，ResNet101网络mAP值提升了6%.

此文为读Mask RCNN源码过程中的随笔，很“流水账”，我想价值在于对照着源码把每个步骤的“输入”、“输出”张量的维度标注了一下，会有助于对整体代码的理解。可能有些错误或遗漏，希望发现者指正，以期共同进步。 源码：https://github.com/matterport/Mask_RCNN 训练部分 模型输入： input_image (batch_size, height, width, channels) #默认(2, 1024, 1024, 3) input_image_meta (batch_size, 1 + 3 + 3 + 4 + 1 + config.NUM_CLASSES)