最近一直在学习深度学习中的目标检测-主要研究的是车牌定位，用过传统的方法，YOLO等，YOLO效果不是很好，但是YOLO训练起来很慢，3000左右的数据集需要训练大概10多个小时。而且效果不是很好。改进的话不是特别好改。于是又开始研究faster RCNN ，训练也是巨慢的。没办法，必须实验才知道效果，哪个更好。目标检测最难的不是网络环境搭建，而是数据集的制作。下面开始我们的faster rcnn

  一、人工智能，机器学习，深度学习的关系人工智能是一个综合性的领域，不仅包括机器学习与深度学习，还包括更多不涉及学习的方法。新的方法来替代符号主义人工智能，这就是机器学习（machine learning）利用机器学习，人们输入的是数据和从这些数据中预期得到的答案，系统输出的是规则。这些规则随后可应用于新的数据，并使计算机自主生成答案。机器学习系统是训练出来的，而不是明确地用程...

由于多尺度特征融合的有效性能，路径聚合 FPN (PAFPN) 被广泛应用于 YOLO 检测器中。然而，它不能有效地、自适应地同时集成高层语义信息和低层空间信息。我们在本文中提出了一种名为 MAF-YOLO 的新模型，它是一种新颖的目标检测框架，具有多功能颈部，称为多分支辅助 FPN（MAFPN）。在 MAFPN 中，浅层辅助融合（SAF）模块旨在将骨干和颈部的输出结合起来，保留最佳水平的浅层信息

IoU-aware Single-stage Object Detector for Accurate LocalizationShengkai Wua, Xiaoping Lia,∗, Xinggang WangbaState Key Laboratory of Digital Manufacturing Equipment and Technology, HuazhongUnivers...

ReadPaper。

Cascade R-CNN: High Quality Object Detectionand Instance SegmentationZhaowei Cai, and Nuno Vasconceloshttps://github.com/guoruoqian/cascade-rcnn_Pytorch摘要在目标检测中，交并比（IoU）阈值经常被用来定义正/负。用于训练检测器的阈值定义...

Borui Jiang∗1,3, Ruixuan Luo∗1,3, Jiayuan Mao∗2,4,Tete Xiao1,3, and Yuning Jiang41School of Electronics Engineering and Computer Science, Peking University2ITCS, Institute for Interdisciplinary Inf...

目前最先进的目标检测网络依赖于区域建议算法来假设目标的位置。SPPnet[1]和Fast R-CNN[2]等技术的发展减少了这些检测网络的运行时间，使区域建议计算成为瓶颈。在这项工作中，我们引入了一个区域建议网络（RPN），它与检测网络共享完整的图像卷积特征，从而实现几乎无成本的区域建议。RPN是一个完全卷积的网络，它同时预测每个位置的对象边界和对象得分。RPN通过端到端的训练来产生高质量的区域建

AlexNet模型来源于论文-ImageNet Classification with Deep Convolutional Neural Networks，作者Alex Krizhevsky，Ilya Sutskever，Geoffrey E.Hinton.摘要 我们训练了一个大型的深度卷积神经网络，将ImageNet LSVRC-2010比赛中的120万幅...

ASFF它学习了空间过滤冲突信息以抑制不一致性的方法，从而提高了特征的尺度不变性，并引入了几乎免费的推理开销。详细原理和工程代码可参考另外一篇博文：https://blog.csdn.net/TJMtaotao/article/details/103216377代码如下：import torchimport torch.nn as nnimport torch.nn.funct...