源码修改-TensorFlow目标检测API

源码阅读方法 先看检测模型配置文件，即config文件 再根据config文件中的具体配置选项的总名称，然后到builders文件夹中找到相关的命名的文件，如config文件中的参数loss配置对应builders文件夹下的losses_builder.py 在对应的builder文件中，就可以看到具体参数配置的含义了，但具体的内部实现应该根据builder文件中的import部分中查看（mode

源码分析-TensorFlow目标检测API

参考： [1]TensorFlow Object Detection API: basics of detection: https://becominghuman.ai/tensorflow-object-detection-api-basics-of-detection-7b134d689c75 https://becominghuman.ai/tensorflow-object-detect

论文-anchor设计

S3FD：Single Shot Scale-invariant Face Detector参考：https://zhuanlan.zhihu.com/p/29022585； 微信2的收藏； 存在的问题： 在detection layer上，small face最后拥有的特征太少； anchor与RF的尺度不匹配； tiny face和outer face不能匹配到足够多的anchors； sma

目标检测概述（待完善）

参考： https://zhuanlan.zhihu.com/p/33544892 https://kuaibao.qq.com/s/20180319G1QL8500?refer=spider 目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）： （1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective searc

mAP评估指标

参考： https://www.zhihu.com/question/53405779/answer/419532990 概念及公式11点插值法计算 实例：计算mAPhttps://github.com/rafaelpadilla/Object-Detection-Metrics coco目标检测评估标准https://blog.csdn.net/u014734886/article/de

SSD

参考： SSD原理与实现（结合实现，细节讲得很透）: https://zhuanlan.zhihu.com/p/33544892 SSD论文阅读(很棒很全面): https://blog.csdn.net/u010167269/article/details/52563573 目标检测之YOLO，SSD： http://lanbing510.info/2017/08/28/YOLO-SSD.ht

R-CNN系列总结

1. 算法整体流程图1.1 Fast R-CNNFast R-CNN除了proposals外，各部分不再是独立训练了，因此不需要单独保存特征及中间结果了； 1.2 Faster R-CNN 2. 详细的算法流程图原文：https://zhuanlan.zhihu.com/p/35481542

Faster R-CNN

0. 参考 从编程实现角度学习Faster R-CNN（附极简实现，超赞）：https://zhuanlan.zhihu.com/p/32404424 从结构、原理到实现，Faster R-CNN全解析(还没看)：https://zhuanlan.zhihu.com/p/32702387 https://blog.csdn.net/u011534057/article/details/51

YOLOv2

Fast R-CNN

0. 参考1. 论文概况1. Motivation 借鉴SPP-NET； 多任务损失函数multi-task loss； 2. 解决什么问题？ 使训练简单化，towards端到端训练； 解决SPP-NET中金字塔池化的训练问题； 3. 提出了什么方法？ ROI pooling（共享了卷积） multi-task loss 4. 效果如何？ 训练和测试更方便； 精度提升； 5.