一文讀懂目标檢測模型（附論文資源）

2018-05-27 23:50:00

1. R-CNN

R-CNN是2014年出現的。它是将CNN用于對象檢測的起源，能夠基于豐富的特征層次結構進行目标精确檢測和語義分割來源。

如何确定這些邊界框的大小和位置呢？R-CNN網絡是這樣做的：在圖像中提出了多個邊框，并判斷其中的任何一個是否對應着一個具體對象。

要想進一步了解，可以檢視以下PPT和筆記：

http://www.image-net.org/challenges/LSVRC/2013/slides/r-cnn-ilsvrc2013-workshop.pdf

http://www.cs.berkeley.edu/~rbg/slides/rcnn-cvpr14-slides.pdf

http://zhangliliang.com/2014/07/23/paper-note-rcnn/

2. Fast R-CNN

2015年，R-CNN的作者Ross Girshick解決了R-CNN訓練慢的問題，發明了新的網絡Fast R-CNN。主要突破是引入感興趣區域池化（ROI Pooling），以及将所有模型整合到一個網絡中。

你可以通過以下GitHub連結檢視模型的各種實作代碼：

https://github.com/rbgirshick/fast-rcnn

https://github.com/precedenceguo/mx-rcnn

https://github.com/mahyarnajibi/fast-rcnn-torch

https://github.com/apple2373/chainer-simple-fast-rnn

https://github.com/zplizzi/tensorflow-fast-rcnn

這裡還有一個利用對抗學習改進目标檢測結果的應用：

http://abhinavsh.info/papers/pdfs/adversarial_object_detection.pdf

https://github.com/xiaolonw/adversarial-frcnn

3. Faster R-CNN

2015年，一個來自微軟的團隊（任少卿，何恺明，Ross Girshick和孫劍）發現了一種叫做“Faster R-CNN”的網絡結構，基于區域建議網絡進行實時目标檢測，重複利用多個區域建議中相同的CNN結果，幾乎把邊框生成過程的運算量降為0。

你可以在這裡看到關于Faster R-CNN的更多介紹，包括PPT和GitHub代碼實作：

http://web.cs.hacettepe.edu.tr/~aykut/classes/spring2016/bil722/slides/w05-FasterR-CNN.pdf

Matlab

https://github.com/ShaoqingRen/faster_rcnn

Caffe

https://github.com/rbgirshick/py-faster-rcnn

MXNet

https://github.com/msracver/Deformable-ConvNets/tree/master/faster_rcnn

PyTorch

https://github.com//jwyang/faster-rcnn.pytorch

TensorFlow

https://github.com/smallcorgi/Faster-RCNN_TF

Keras

https://github.com/yhenon/keras-frcnn

C++

https://github.com/D-X-Y/caffe-faster-rcnn/tree/dev

4. SPP-Net（空間金字塔池化網絡）

SPP-Net是基于空間金字塔池化後的深度學習網絡進行視覺識别。它和R-CNN的差別是，輸入不需要放縮到指定大小，同時增加了一個空間金字塔池化層，每幅圖檔隻需要提取一次特征。

相關資源：

https://github.com/ShaoqingRen/SPP_net

http://zhangliliang.com/2014/09/13/paper-note-sppnet/

更多論文：

DeepID-Net：基于變形深度卷積神經網絡進行目标檢測

http://www.ee.cuhk.edu.hk/%CB%9Cwlouyang/projects/imagenetDeepId/index.html

深度感覺卷積神經網絡中的目标檢測器

https://www.robots.ox.ac.uk/~vgg/rg/papers/zhou_iclr15.pdf

segDeepM：利用深度神經網絡中的分割和語境進行目标檢測

https://github.com/YknZhu/segDeepM

基于卷積特征激活圖的目标檢測網絡

http://arxiv.org/abs/1504.06066

利用貝葉斯優化與結構化預測改進基于深度卷積神經網絡的目标檢測

http://arxiv.org/abs/1504.03293

DeepBox：利用卷積網絡學習目标特性

http://arxiv.org/abs/1505.02146

5. YOLO模型

YOLO是名額準化、實時的目标檢測。

可以先看大資料文摘翻譯的這個視訊了解YOLO：

TED演講 | 計算機是怎樣快速看懂圖檔的：比R-CNN快1000倍的YOLO算法

有了YOLO，不需要一張圖像看一千次，來産生檢測結果，你隻需要看一次，這就是我們為什麼把它叫"YOLO"物體探測方法（You only look once）。

代碼實作：

https://github.com/pjreddie/darknet

https://github.com/gliese581gg/YOLO_tensorflow

https://github.com/xingwangsfu/caffe-yolo

https://github.com/tommy-qichang/yolo.torch

https://github.com/nilboy/tensorflow-yolo

相關應用：

Darkflow：将darknet轉換到tesorflow平台。加載訓練好的權值，用tensorflow再次訓練，再将導出計算圖到C++環境中。

https://github.com/thtrieu/darkflow

使用你自己的資料訓練YOLO模型。利用分類标簽和自定義的資料進行訓練，darknet支援Linux / Windows系統。

https://github.com/Guanghan/darknet

IOS上的YOLO實戰：CoreML vs MPSNNGraph，用CoreML和新版MPSNNGraph的API實作小型YOLO。

https://github.com/hollance/YOLO-CoreML-MPSNNGraph

安卓上基于TensorFlow架構運作YOLO模型實作實時目标檢測。

https://github.com/natanielruiz/android-yolo

6. YOLOv2模型

時隔一年，YOLO作者放出了v2版本，稱為YOLO9000，并直言它“更快、更高、更強”。YOLO v2的主要改進是提高召回率和定位能力。

各種實作：

https://github.com/allanzelener/YAD2K

https://github.com/longcw/yolo2-pytorch

Tensorflow

https://github.com/hizhangp/yolo_tensorflow

Windows

https://github.com/AlexeyAB/darknet

https://github.com/choasUp/caffe-yolo9000

Darknet_scripts是深度學習架構中YOLO模型中darknet的輔助腳本，生成YOLO模型中的參數anchors。

https://github.com/Jumabek/darknet_scripts

Yolo_mark：圖形化标記用于訓練YOLOv2模型的圖像目标

https://github.com/AlexeyAB/Yolo_mark

LightNet：改進的DarkNet

https://github.com//explosion/lightnet

用于生成YOLOv2模型所需訓練資料的邊界框标記工具

https://github.com/Cartucho/yolo-boundingbox-labeler-GUI

Loss Rank Mining：基于實時目标檢測的一種通用的困難樣本挖掘方法。LRM是第一個高度适用于YOLOv2模型中的困難樣本挖掘政策，它讓YOLOv2模型能夠更好的應用到對實時與準确率要求較高的場景中。

https://arxiv.org/abs/1804.04606

7. YOLOv3模型

再次改進YOLO模型。提供多尺度預測和更好的基礎分類網絡。相關實作：

https://pjreddie.com/darknet/yolo/

https://github.com/experiencor/keras-yolo3

https://github.com/marvis/pytorch-yolo3

8. SSD（單網絡目标檢測架構）

SSD可以說是YOLO和Faster R-Cnn兩者的優勢結合。相比于Faster R-Cnn，SSD的目标檢測速度顯著提高，精度也有一定提升；相比YOLO，速度接近，但精度更高。

相關實作:

https://github.com/zhreshold/mxnet-ssd

https://github.com/rykov8/ssd_keras

https://github.com/balancap/SSD-Tensorflow

https://github.com/amdegroot/ssd.pytorch

https://github.com/chuanqi305/MobileNet-SSD

9. DSOD（深度監督目标檢測方法）

與SSD類似，是一個多尺度不需要proposal的檢測架構，是一種完全脫離預訓練模型的深度監督目标檢測方法。

相關實作：

https://arxiv.org/abs/1708.01241

https://github.com/szq0214/DSOD

https://github.com/Windaway/DSOD-Tensorflow

https://github.com/chenyuntc/dsod.pytorch

原文釋出時間為：2018-05-27

本文來自雲栖社群合作夥伴“

資料派THU

”，了解相關資訊可以關注“

”。

善恶一念之间！《第五人格》游戏名的含义，你看懂了吗？

2022-01-08 00:03:02

随着新求生者“哭泣小丑”的曝光，《第五人格》全新角色系统的第二位人物出现了。什么是全新角色系统呢？通俗点讲，就是求生者和监管者的人格互换。

比如该系统的第一位求生者“小说家”奥尔菲斯，在药水的作用下供养了潜意识里的恶魔，最终化身成为监管者“噩梦”。这是由求生者人格衍生出监管者人格的转换。而“哭泣小丑”裘克的出现，则是采用了倒转的方式，由监管者人格转换成了求生者。

在2016年心理学发布了一个全新名词“大五人格”，大五人格包括了：开放性、责任性、外倾性、宜人性以及神经质或情绪稳定性，一共五种人格特质。而第五人格这个名字的由来，就是指人格中的“神经质或情绪稳定性”。

再次回到游戏中，五大人格中的开放、责任、外倾、宜人四种特质，也分别对应了游戏中的牵制型、破译型、救援型、辅助型角色，看似都是比较乐观开朗，积极向上的特性，也正好对应了游戏中四人相互扶持，齐心协力逃出庄园的设定。而“第五人格”这个概念，则对应的是监管者表现出来的狂暴等负面特性。

游戏的主角侦探通过庄园主人留下的日记，不断推演故事的真相，其本身就是一个因过度使用药物，容易产生精神分裂的患者。庄园内发生的一切事情，都是靠着侦探幻想而来的，大概率庄园内就不存在监管者，都是药物导致的幻觉，引发了求生者内心的恐惧在作恶。

在游戏角色的故事设定里，大部分求生者都很黑心，而监管者更像是无辜被伤害的一方。人性本身就有善恶之分，像是硬币的正反面，像是孙悟空和六耳猕猴，如来佛祖和无天。成魔和成佛就在一念之间，《第五人格》正是其余四种人格阴暗面的具体表现。

后续第五人格将会推出更多“角色系统”的人物，每一位监管者都会有对应的求生者人格，还原角色完整的故事。大家猜一猜，下一位主角将会是谁呢？

一文讀懂目标檢測模型（附論文資源）

2018-05-27 23:50:00

1. R-CNN

R-CNN是2014年出現的。它是将CNN用于對象檢測的起源，能夠基于豐富的特征層次結構進行目标精确檢測和語義分割來源。

如何确定這些邊界框的大小和位置呢？R-CNN網絡是這樣做的：在圖像中提出了多個邊框，并判斷其中的任何一個是否對應着一個具體對象。

要想進一步了解，可以檢視以下PPT和筆記：

http://www.image-net.org/challenges/LSVRC/2013/slides/r-cnn-ilsvrc2013-workshop.pdf

http://www.cs.berkeley.edu/~rbg/slides/rcnn-cvpr14-slides.pdf

http://zhangliliang.com/2014/07/23/paper-note-rcnn/

2. Fast R-CNN

你可以通過以下GitHub連結檢視模型的各種實作代碼：

https://github.com/rbgirshick/fast-rcnn

https://github.com/precedenceguo/mx-rcnn

https://github.com/mahyarnajibi/fast-rcnn-torch

https://github.com/apple2373/chainer-simple-fast-rnn

https://github.com/zplizzi/tensorflow-fast-rcnn

這裡還有一個利用對抗學習改進目标檢測結果的應用：

http://abhinavsh.info/papers/pdfs/adversarial_object_detection.pdf

https://github.com/xiaolonw/adversarial-frcnn

3. Faster R-CNN

你可以在這裡看到關于Faster R-CNN的更多介紹，包括PPT和GitHub代碼實作：

http://web.cs.hacettepe.edu.tr/~aykut/classes/spring2016/bil722/slides/w05-FasterR-CNN.pdf

Matlab

https://github.com/ShaoqingRen/faster_rcnn

Caffe

https://github.com/rbgirshick/py-faster-rcnn

MXNet

https://github.com/msracver/Deformable-ConvNets/tree/master/faster_rcnn

PyTorch

https://github.com//jwyang/faster-rcnn.pytorch

TensorFlow

https://github.com/smallcorgi/Faster-RCNN_TF

Keras

https://github.com/yhenon/keras-frcnn

C++

https://github.com/D-X-Y/caffe-faster-rcnn/tree/dev

4. SPP-Net（空間金字塔池化網絡）

相關資源：

https://github.com/ShaoqingRen/SPP_net

http://zhangliliang.com/2014/09/13/paper-note-sppnet/

更多論文：

DeepID-Net：基于變形深度卷積神經網絡進行目标檢測

http://www.ee.cuhk.edu.hk/%CB%9Cwlouyang/projects/imagenetDeepId/index.html

深度感覺卷積神經網絡中的目标檢測器

https://www.robots.ox.ac.uk/~vgg/rg/papers/zhou_iclr15.pdf

segDeepM：利用深度神經網絡中的分割和語境進行目标檢測

https://github.com/YknZhu/segDeepM

基于卷積特征激活圖的目标檢測網絡

http://arxiv.org/abs/1504.06066

利用貝葉斯優化與結構化預測改進基于深度卷積神經網絡的目标檢測

http://arxiv.org/abs/1504.03293

DeepBox：利用卷積網絡學習目标特性

http://arxiv.org/abs/1505.02146

5. YOLO模型

YOLO是名額準化、實時的目标檢測。

可以先看大資料文摘翻譯的這個視訊了解YOLO：

TED演講 | 計算機是怎樣快速看懂圖檔的：比R-CNN快1000倍的YOLO算法

有了YOLO，不需要一張圖像看一千次，來産生檢測結果，你隻需要看一次，這就是我們為什麼把它叫"YOLO"物體探測方法（You only look once）。

代碼實作：

https://github.com/pjreddie/darknet

https://github.com/gliese581gg/YOLO_tensorflow

https://github.com/xingwangsfu/caffe-yolo

https://github.com/tommy-qichang/yolo.torch

https://github.com/nilboy/tensorflow-yolo

相關應用：

Darkflow：将darknet轉換到tesorflow平台。加載訓練好的權值，用tensorflow再次訓練，再将導出計算圖到C++環境中。

https://github.com/thtrieu/darkflow

使用你自己的資料訓練YOLO模型。利用分類标簽和自定義的資料進行訓練，darknet支援Linux / Windows系統。

https://github.com/Guanghan/darknet

IOS上的YOLO實戰：CoreML vs MPSNNGraph，用CoreML和新版MPSNNGraph的API實作小型YOLO。

https://github.com/hollance/YOLO-CoreML-MPSNNGraph

安卓上基于TensorFlow架構運作YOLO模型實作實時目标檢測。

https://github.com/natanielruiz/android-yolo

6. YOLOv2模型

時隔一年，YOLO作者放出了v2版本，稱為YOLO9000，并直言它“更快、更高、更強”。YOLO v2的主要改進是提高召回率和定位能力。

各種實作：

https://github.com/allanzelener/YAD2K

https://github.com/longcw/yolo2-pytorch

Tensorflow

https://github.com/hizhangp/yolo_tensorflow

Windows

https://github.com/AlexeyAB/darknet

https://github.com/choasUp/caffe-yolo9000

Darknet_scripts是深度學習架構中YOLO模型中darknet的輔助腳本，生成YOLO模型中的參數anchors。

https://github.com/Jumabek/darknet_scripts

Yolo_mark：圖形化标記用于訓練YOLOv2模型的圖像目标

https://github.com/AlexeyAB/Yolo_mark

LightNet：改進的DarkNet

https://github.com//explosion/lightnet

用于生成YOLOv2模型所需訓練資料的邊界框标記工具

https://github.com/Cartucho/yolo-boundingbox-labeler-GUI

https://arxiv.org/abs/1804.04606

7. YOLOv3模型

再次改進YOLO模型。提供多尺度預測和更好的基礎分類網絡。相關實作：

https://pjreddie.com/darknet/yolo/

https://github.com/experiencor/keras-yolo3

https://github.com/marvis/pytorch-yolo3

8. SSD（單網絡目标檢測架構）

SSD可以說是YOLO和Faster R-Cnn兩者的優勢結合。相比于Faster R-Cnn，SSD的目标檢測速度顯著提高，精度也有一定提升；相比YOLO，速度接近，但精度更高。

相關實作:

https://github.com/zhreshold/mxnet-ssd

https://github.com/rykov8/ssd_keras

https://github.com/balancap/SSD-Tensorflow

https://github.com/amdegroot/ssd.pytorch

https://github.com/chuanqi305/MobileNet-SSD

9. DSOD（深度監督目标檢測方法）

與SSD類似，是一個多尺度不需要proposal的檢測架構，是一種完全脫離預訓練模型的深度監督目标檢測方法。

相關實作：

https://arxiv.org/abs/1708.01241

https://github.com/szq0214/DSOD

https://github.com/Windaway/DSOD-Tensorflow

https://github.com/chenyuntc/dsod.pytorch

原文釋出時間為：2018-05-27

本文來自雲栖社群合作夥伴“

資料派THU

”，了解相關資訊可以關注“

”。

善恶一念之间！《第五人格》游戏名的含义，你看懂了吗？

2022-01-08 00:03:02

一文讀懂目标檢測模型（附論文資源）

2018-05-27 23:50:00

1. R-CNN

R-CNN是2014年出現的。它是将CNN用于對象檢測的起源，能夠基于豐富的特征層次結構進行目标精确檢測和語義分割來源。

如何确定這些邊界框的大小和位置呢？R-CNN網絡是這樣做的：在圖像中提出了多個邊框，并判斷其中的任何一個是否對應着一個具體對象。

要想進一步了解，可以檢視以下PPT和筆記：

http://www.image-net.org/challenges/LSVRC/2013/slides/r-cnn-ilsvrc2013-workshop.pdf

http://www.cs.berkeley.edu/~rbg/slides/rcnn-cvpr14-slides.pdf

http://zhangliliang.com/2014/07/23/paper-note-rcnn/

2. Fast R-CNN

你可以通過以下GitHub連結檢視模型的各種實作代碼：

https://github.com/rbgirshick/fast-rcnn

https://github.com/precedenceguo/mx-rcnn

https://github.com/mahyarnajibi/fast-rcnn-torch

https://github.com/apple2373/chainer-simple-fast-rnn

https://github.com/zplizzi/tensorflow-fast-rcnn

這裡還有一個利用對抗學習改進目标檢測結果的應用：

http://abhinavsh.info/papers/pdfs/adversarial_object_detection.pdf

https://github.com/xiaolonw/adversarial-frcnn

3. Faster R-CNN

你可以在這裡看到關于Faster R-CNN的更多介紹，包括PPT和GitHub代碼實作：

http://web.cs.hacettepe.edu.tr/~aykut/classes/spring2016/bil722/slides/w05-FasterR-CNN.pdf

Matlab

https://github.com/ShaoqingRen/faster_rcnn

Caffe

https://github.com/rbgirshick/py-faster-rcnn

MXNet

https://github.com/msracver/Deformable-ConvNets/tree/master/faster_rcnn

PyTorch

https://github.com//jwyang/faster-rcnn.pytorch

TensorFlow

https://github.com/smallcorgi/Faster-RCNN_TF

Keras

https://github.com/yhenon/keras-frcnn

C++

https://github.com/D-X-Y/caffe-faster-rcnn/tree/dev

4. SPP-Net（空間金字塔池化網絡）

相關資源：

https://github.com/ShaoqingRen/SPP_net

http://zhangliliang.com/2014/09/13/paper-note-sppnet/

更多論文：

DeepID-Net：基于變形深度卷積神經網絡進行目标檢測

http://www.ee.cuhk.edu.hk/%CB%9Cwlouyang/projects/imagenetDeepId/index.html

深度感覺卷積神經網絡中的目标檢測器

https://www.robots.ox.ac.uk/~vgg/rg/papers/zhou_iclr15.pdf

segDeepM：利用深度神經網絡中的分割和語境進行目标檢測

https://github.com/YknZhu/segDeepM

基于卷積特征激活圖的目标檢測網絡

http://arxiv.org/abs/1504.06066

利用貝葉斯優化與結構化預測改進基于深度卷積神經網絡的目标檢測

http://arxiv.org/abs/1504.03293

DeepBox：利用卷積網絡學習目标特性

http://arxiv.org/abs/1505.02146

5. YOLO模型

YOLO是名額準化、實時的目标檢測。

可以先看大資料文摘翻譯的這個視訊了解YOLO：

TED演講 | 計算機是怎樣快速看懂圖檔的：比R-CNN快1000倍的YOLO算法

有了YOLO，不需要一張圖像看一千次，來産生檢測結果，你隻需要看一次，這就是我們為什麼把它叫"YOLO"物體探測方法（You only look once）。

代碼實作：

https://github.com/pjreddie/darknet

https://github.com/gliese581gg/YOLO_tensorflow

https://github.com/xingwangsfu/caffe-yolo

https://github.com/tommy-qichang/yolo.torch

https://github.com/nilboy/tensorflow-yolo

相關應用：

Darkflow：将darknet轉換到tesorflow平台。加載訓練好的權值，用tensorflow再次訓練，再将導出計算圖到C++環境中。

https://github.com/thtrieu/darkflow

使用你自己的資料訓練YOLO模型。利用分類标簽和自定義的資料進行訓練，darknet支援Linux / Windows系統。

https://github.com/Guanghan/darknet

IOS上的YOLO實戰：CoreML vs MPSNNGraph，用CoreML和新版MPSNNGraph的API實作小型YOLO。

https://github.com/hollance/YOLO-CoreML-MPSNNGraph

安卓上基于TensorFlow架構運作YOLO模型實作實時目标檢測。

https://github.com/natanielruiz/android-yolo

6. YOLOv2模型

時隔一年，YOLO作者放出了v2版本，稱為YOLO9000，并直言它“更快、更高、更強”。YOLO v2的主要改進是提高召回率和定位能力。

各種實作：

https://github.com/allanzelener/YAD2K

https://github.com/longcw/yolo2-pytorch

Tensorflow

https://github.com/hizhangp/yolo_tensorflow

Windows

https://github.com/AlexeyAB/darknet

https://github.com/choasUp/caffe-yolo9000

Darknet_scripts是深度學習架構中YOLO模型中darknet的輔助腳本，生成YOLO模型中的參數anchors。

https://github.com/Jumabek/darknet_scripts

Yolo_mark：圖形化标記用于訓練YOLOv2模型的圖像目标

https://github.com/AlexeyAB/Yolo_mark

LightNet：改進的DarkNet

https://github.com//explosion/lightnet

用于生成YOLOv2模型所需訓練資料的邊界框标記工具

https://github.com/Cartucho/yolo-boundingbox-labeler-GUI

https://arxiv.org/abs/1804.04606

7. YOLOv3模型

再次改進YOLO模型。提供多尺度預測和更好的基礎分類網絡。相關實作：

https://pjreddie.com/darknet/yolo/

https://github.com/experiencor/keras-yolo3

https://github.com/marvis/pytorch-yolo3

8. SSD（單網絡目标檢測架構）

SSD可以說是YOLO和Faster R-Cnn兩者的優勢結合。相比于Faster R-Cnn，SSD的目标檢測速度顯著提高，精度也有一定提升；相比YOLO，速度接近，但精度更高。

相關實作:

https://github.com/zhreshold/mxnet-ssd

https://github.com/rykov8/ssd_keras

https://github.com/balancap/SSD-Tensorflow

https://github.com/amdegroot/ssd.pytorch

https://github.com/chuanqi305/MobileNet-SSD

9. DSOD（深度監督目标檢測方法）

與SSD類似，是一個多尺度不需要proposal的檢測架構，是一種完全脫離預訓練模型的深度監督目标檢測方法。

相關實作：

https://arxiv.org/abs/1708.01241

https://github.com/szq0214/DSOD

https://github.com/Windaway/DSOD-Tensorflow

https://github.com/chenyuntc/dsod.pytorch

原文釋出時間為：2018-05-27

本文來自雲栖社群合作夥伴“

資料派THU

”，了解相關資訊可以關注“

”。