本文参考：https://blog.csdn.net/kekong0713/article/details/69919093作者链接：代季峰，何恺明，孙剑论文链接：论文传送门代码链接：matlab版，python版方法概括R-FCN解决问题——目标检测整个R-FCN的结构一个base的conv网络如ResNet101, 一个RPN（Faster RCNN来的）,一个position sensiti

NIN：Network in Network网络（NiN）作用是提高了CNN的局部感知区域（Bottleneck layer瓶颈层）1X1的卷积层，做降维度或升维度；他的核大小为1X1（深度待定义）降维例子：如输入为8X1X 1X5（输入核为8，输出核为5）意义：做特征的重新整合，如输入的8层比较稀疏，可输出5层比较密集的特征；降维为后续的卷积层做准备；

这篇文章是看到其他博主 https://blog.csdn.net/youmumzcs/article/details/79657132 推荐的，个人感觉不错，比自己编译的界面看上去要舒服，推荐下：首先官网下载-精灵标注助手精灵标注助手目前支持Windows/Mac/Linux平台，大家根据自己的系统下载相对应的版本，Mac的话可以到MacStore中搜索colabeler下载即可。相比于Labe

本文是深度学习实战系列文章，主要是利用官网VGG 19层网络训练得到模型产生的weight和bias数值，对输入的任意一张图像进行前向训练，从而得到特征图。一. 代码以下是对应代码：# coding: utf-8import scipy.ioimport numpy as npimport osimport scipy.miscimport matplotlib.pyplot a...

本文转载自：引言卷积神经网络（CNN）已经普遍应用在计算机视觉领域，并且已经取得了不错的效果。图1为近几年来CNN在ImageNet竞赛的表现，可以看到为了追求分类准确度，模型深度越来越深，模型复杂度也越来越高，如深度残差网络（ResNet）其层数已经多达152层。 图1 CNN在ImageNet上的表现（来源：CVPR2017） 然而，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型

NIN：Network in Network网络（NiN）作用是提高了CNN的局部感知区域（Bottleneck layer瓶颈层）1X1的卷积层，做降维度或升维度；他的核大小为1X1（深度待定义）降维例子：如输入为8X1X 1X5（输入核为8，输出核为5）意义：做特征的重新整合，如输入的8层比较稀疏，可输出5层比较密集的特征；降维为后续的卷积层做准备；

在SPPNet中，实际特征提取和区域分类是两个分离的步骤，利用ROI池化层来提取每个区域的特征，然后利用传统的SVM作为分类器对这些区域进行分类。Fast R-CNN相比SPPNet更进一步，不再使用SVM作为分类器，而是使用神经网络进行分类，这样就能同时训练特征提取网络和分类网络，比SPPNet取得更高准确度。Fast R-CNN网络结构如下图：    对于原始图中的...

本文转载自：引言卷积神经网络（CNN）已经普遍应用在计算机视觉领域，并且已经取得了不错的效果。图1为近几年来CNN在ImageNet竞赛的表现，可以看到为了追求分类准确度，模型深度越来越深，模型复杂度也越来越高，如深度残差网络（ResNet）其层数已经多达152层。 图1 CNN在ImageNet上的表现（来源：CVPR2017） 然而，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型

2017 年 6 月， Google 公司开放了 TensorFlow Object Detection API 。 这 个项目使用 TensorFlow 实现了大多数深度学习目标检测框架，真中就包括Faster R-CNN。本系列文章将（1）先介绍如何安装 TensorFlow Object Detection API；Tensorflow Object Detection API安装...

这篇文章是看到其他博主 https://blog.csdn.net/youmumzcs/article/details/79657132 推荐的，个人感觉不错，比自己编译的界面看上去要舒服，推荐下：首先官网下载-精灵标注助手精灵标注助手目前支持Windows/Mac/Linux平台，大家根据自己的系统下载相对应的版本，Mac的话可以到MacStore中搜索colabeler下载即可。相比于Labe