目标检测算法SSD与FasterRCNN SSD:（ Single Shot MultiBox Detector）特点是在不同特征尺度上预测不同尺度的目标。 SSD网络结构 首先对网络的特征进行说明：输入的图像是300x300的三通道彩色图像。 网络的第一个部分贯穿到Vgg16模型 Conv5的第三层上 整个SSD网络的第一个预测特征层就是conv4的第三层，得到的是38x38的51

链接:faster RCNN算法学习笔记

在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。 一、基于Region Proposal（候选区域）的深度学习目标检测算法 Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-

一、数据准备： 1、PASCAL VOC数据集格式 2、数据扩充：做了旋转【0， 90，180，270】（备注：这里可以不做那么多许旋转，fasterrcnn在训练的时候要做图片的镜像变换）、降采样 降采样： import osimport cv2import numpy as nptry:import xml.etree.cElementTree as ETexcept

参考链接有，再次感谢各位前辈： https://github.com/XuleiTao/ilove996/tree/master/tf-faster-rcnn Faster R-CNN Github源码 tensorflow GPU下demo运行，训练，测试，验证，可视化。_CVDLML的博客-CSDN博客 python3+Tensorflow+Faster R-CNN训练自己的数据_北冥有

faster_rcnn.pytoch1.0项目的地址：https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0 运行该项目的训练程序主要环节是：编译faster_rcnn中的模块和编译pythoncocoapi。 (1)编译faster_rcnn的时候pytorch必须是1.0版本的，否则即使编译成功了，在运行阶段也会报can

FasterRCNN源码解析（六）——RPN（中）Proposal的获取 利用生成的anchos以及RPNHead模块得到的预测分数以及目标边界框回归参数，获取proposal，然后再经过一系列算法滤除部分proposal，得到我们RPN模块输出的proposal。 文章目录 FasterRCNN源码解析（六）——RPN（中）Proposal的获取一、RegionProposalNetw

文章目录 前言RPN部分的代码1. loss函数（two_stage.py）1.1 loss_and_predict函数（base_dense_head.py）1.1.1 loss_by_feat函数（fcos_head.py）1.1.1.1 get_targets函数 1.1.2 predict_by_feat函数（base_dense_head.py）1.1.2.1 _predict_b