【专知荟萃09】目标检测知识资料全集（入门/进阶/论文/综述/视频/代码等）

点击上方“专知”关注获取更多AI知识!

【导读】主题荟萃知识是专知的核心功能之一，为用户提供AI领域系统性的知识学习服务。主题荟萃为用户提供全网关于该主题的精华（Awesome）知识资料收录整理，使得AI从业者便捷学习和解决工作问题！在专知人工智能主题知识树基础上，主题荟萃由专业人工编辑和算法工具辅助协作完成，并保持动态更新！另外欢迎对此创作主题荟萃感兴趣的同学，请加入我们专知AI创作者计划，共创共赢！ 今天专知为大家呈送第九篇专知主题荟萃-目标检测知识资料大全集荟萃 （入门/进阶/论文/综述/视频/专家等），请大家查看！专知访问www.zhuanzhi.ai,  或关注微信公众号后台回复" 专知"进入专知，搜索主题“目标检测”查看。此外，我们也提供该文网页桌面手机端（www.zhuanzhi.ai）完整访问，可直接点击访问收录链接地址，请文章末尾查看！此为初始版本，请大家指正补充，欢迎在后台留言！欢迎大家分享转发~

了解专知，专知，一个新的认知方式！

目标检测（物体检测, Object Detection) 专知荟萃

• 入门学习

• 进阶文章

• 综述

• Tutorial

• 视频教程

• 代码

• 领域专家

入门学习

1. 图像目标检测（Object Detection）原理与实现 （1-6）

• [http://www.voidcn.com/article/p-xnjyqlkj-ua.html]

• [http://www.voidcn.com/article/p-ypylfzuk-ua.html]

• [http://www.voidcn.com/article/p-pfihszbt-ua.html]

• [http://www.voidcn.com/article/p-hcvjcaqy-ua.html]

• [http://www.voidcn.com/article/p-kjogyjfz-ua.html]

• [http://www.voidcn.com/article/p-zqfjjomb-u.html]

. 基于特征共享的高效物体检测 Faster R-CNN和ResNet的作者任少卿 博士毕业论文 中文

• [https://pan.baidu.com/s/1gfxTbNl]

R-CNN：论文笔记

• [http://www.cnblogs.com/kingstrong/p/4969472.html], [http://blog.gater.vip/articles/2015/11/02/1478607351098.html]

Fast-RCNN:

• 深度学习物体检测（三）——FAST-RCNN：

• [http://www.itwendao.com/article/detail/374785.html]

• Fast-RCNN:[https://zhuanlan.zhihu.com/p/24780395]

Faster-RCNN:

• [http://blog.csdn.net/zy1034092330/article/details/62044941]

FPN:

• Feature Pyramid Networks for Object Detection 论文笔记：

• [http://blog.csdn.net/jesse_mx/article/details/54588085]

• CVPR 2017论文解读：特征金字塔网络FPN：

• [http://www.sohu.com/a/159780794_465975]

• FPN（feature pyramid networks）算法讲解：

• [http://blog.csdn.net/u014380165/article/details/72890275]

R-FCN:

• 基于区域的全卷积网络来检测物体:

• [http://blog.csdn.net/shadow_guo/article/details/51767036]

• [译] 基于R-FCN的物体检测:

• [http://www.jianshu.com/p/db1b74770e52]

SSD:

• Single Shot MultiBox Detector论文阅读：

• [http://blog.csdn.net/u010167269/article/details/52563573]

• 【深度学习：目标检测】RCNN学习笔记(10)：SSD:Single Shot MultiBox Detector：

• [http://blog.csdn.net/smf0504/article/details/52745070]

• 翻译SSD论文(Single Shot MultiBox Detector)，仅作交流：

• [http://blog.csdn.net/Ai_Smith/article/details/52997456?locationNum=2&fps=1]

• CNN目标检测与分割（三）：SSD详解：

• [http://blog.csdn.net/zy1034092330/article/details/72862030]

• SSD关键源码解析：

• [https://zhuanlan.zhihu.com/p/25100992]

YOLO:

• YOLO：实时快速目标检测：

• [https://zhuanlan.zhihu.com/p/25045711]

• YOLO详解: [https://zhuanlan.zhihu.com/p/25236464]

• YOLO升级版：YOLOv2和YOLO9000解析:

• [https://zhuanlan.zhihu.com/p/29816334]

• YOLO升级版：YOLOv2和YOLO9000解析：

• [https://zhuanlan.zhihu.com/p/29816334]

• YOLO v2之总结篇（linux+windows）：

• [http://blog.csdn.net/qq_14845119/article/details/53589282]

• YOLOv2 论文笔记：

• [http://blog.csdn.net/jesse_mx/article/details/53925356]

DenseBox:余凯特邀报告：基于密集预测图的物体检测技术造就全球领先的ADAS系统

PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection - [http://www.cnblogs.com/xueyuxiaolang/p/5959442.html]

深度学习论文笔记：DSSD - [http://jacobkong.github.io/posts/2938514597/]

DSOD

• 复旦大学Ph.D沈志强：用于目标检测的DSOD模型（ICCV 2017） | 分享总结:

• [http://www.sohu.com/a/198226907_114877]

• 目标检测--DSOD: Learning Deeply Supervised Object Detectors from Scratch：

• [http://blog.csdn.net/zhangjunhit/article/details/77247695]

Focal Loss:

• Focal Loss:
  

• [http://blog.csdn.net/u014380165/article/details/77019084]

• 读Focal Loss:

• [https://zhuanlan.zhihu.com/p/28873248]

Soft-NMS:

• 一行代码改进NMS:

• [http://blog.csdn.net/shuzfan/article/details/71036040]

OHEM:

• 论文笔记 OHEM: Training Region-based Object Detectors with Online Hard Example Mining:

• [http://blog.csdn.net/u012905422/article/details/52760669]

Mask-RCNN 2017:

• Mask-RCNN 2017:

• [http://blog.csdn.net/inuchiyo_china/article/details/70860939]

• 目标检测分割--Mask R-CNN:

• [http://blog.csdn.net/zhangjunhit/article/details/64920075?locationNum=6&fps=1]

• 解读|Facebook 何凯明发大招：Mask R-CNN 狙击目标实例分割:

• [http://www.sohu.com/a/130676187_642762]

目标检测之比较

• 目标检测之RCNN，SPP-NET，Fast-RCNN，Faster-RCNN：

• [http://lanbing510.info/2017/08/24/RCNN-FastRCNN-FasterRCNN.html]

• RCNN, Fast-RCNN, Faster-RCNN的一些事：

• [http://closure11.com/rcnn-fast-rcnn-faster-rcnn%E7%9A%84%E4%B8%80%E4%BA%9B%E4%BA%8B/]

• 机器视觉目标检测补习贴之R-CNN系列 — R-CNN, Fast R-CNN, Faster R-CNN ， 目标检测补习贴之YOLO实时检测, You only look once ：

• [http://nooverfit.com/wp/]

• 目标检测算法：RCNN、YOLO vs DPM：

• [https://juejin.im/entry/59564e1f6fb9a06b9c7408f9]

• 如何评价rcnn、fast-rcnn和faster-rcnn这一系列方法？:

• [https://www.zhihu.com/question/35887527]

视觉目标检测和识别之过去，现在及可能

• [https://zhuanlan.zhihu.com/p/27546796]

进阶文章

1. Deep Neural Networks for Object Detection （基于DNN的对象检测）NIPS2013:
   

• [https://cis.temple.edu/~yuhong/teach/2014_spring/papers/NIPS2013_DNN_OD.pdf]

R-CNN Rich feature hierarchies for accurate object detection and semantic segmentation:

• [https://arxiv.org/abs/1311.2524]

Fast R-CNN :

• [http://arxiv.org/abs/1504.08083]

Faster R-CNN Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks:

• [http://arxiv.org/abs/1506.01497]

Scalable Object Detection using Deep Neural Networks

• [http://arxiv.org/abs/1312.2249]

Scalable, High-Quality Object Detection

• [http://arxiv.org/abs/1412.1441]

SPP-Net Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

• [http://arxiv.org/abs/1406.4729]

DeepID-Net DeepID-Net: Deformable Deep Convolutional Neural Networks for Object Detection

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

Object Detectors Emerge in Deep Scene CNNs

• [http://arxiv.org/abs/1412.6856]

segDeepM: Exploiting Segmentation and Context in Deep Neural Networks for Object Detection

• [https://arxiv.org/abs/1502.04275]

Object Detection Networks on Convolutional Feature Maps

• [http://arxiv.org/abs/1504.06066]

Improving Object Detection with Deep Convolutional Networks via Bayesian Optimization and Structured Prediction

• [http://arxiv.org/abs/1504.03293]

DeepBox: Learning Objectness with Convolutional Networks

• [http://arxiv.org/abs/1504.03293]

Object detection via a multi-region & semantic segmentation-aware CNN model

• [http://arxiv.org/abs/1505.01749]

You Only Look Once: Unified, Real-Time Object Detection

• [http://arxiv.org/abs/1506.02640]

YOLOv2 YOLO9000: Better, Faster, Stronger

• [https://arxiv.org/abs/1612.08242]

AttentionNet: Aggregating Weak Directions for Accurate Object Detection

• [http://arxiv.org/abs/1506.07704]

DenseBox: Unifying Landmark Localization with End to End Object Detection

• [http://arxiv.org/abs/1509.04874]

SSD: Single Shot MultiBox Detector

• [http://arxiv.org/abs/1512.02325]

DSSD : Deconvolutional Single Shot Detector

• [https://arxiv.org/abs/1701.06659]

G-CNN: an Iterative Grid Based Object Detector

• [http://arxiv.org/abs/1512.07729]

HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

• [http://arxiv.org/abs/1604.00600]

A MultiPath Network for Object Detection

• [http://arxiv.org/abs/1604.02135]

R-FCN: Object Detection via Region-based Fully Convolutional Networks

• [http://arxiv.org/abs/1605.06409]

A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection

• [http://arxiv.org/abs/1607.07155]

PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection

• [http://arxiv.org/abs/1608.08021]

Feature Pyramid Networks for Object Detection

• [https://arxiv.org/abs/1612.03144]

Learning Chained Deep Features and Classifiers for Cascade in Object Detection

• [https://arxiv.org/abs/1702.07054]

DSOD: Learning Deeply Supervised Object Detectors from Scratch

• [https://arxiv.org/abs/1708.01241]

Focal Loss for Dense Object Detection  ICCV 2017 Best student paper award. Facebook AI Research

• [https://arxiv.org/abs/1708.02002]

1. Mask-RCNN 2017 ICCV 2017 Best paper award. Facebook AI Research

2. http://arxiv.org/abs/1703.06870

综述

1. 深度学习之 "物体检测" 方法梳理

• [http://zhwhong.ml/2017/02/24/Detection-CNN/]

地平线黄李超开讲：深度学习和物体检测！：

• [http://www.sohu.com/a/163460329_642762]

对话CVPR2016：目标检测新进展：

• [https://zhuanlan.zhihu.com/p/21533724]

基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN：

• [http://www.cnblogs.com/skyfsm/p/6806246.html]

基于深度学习的目标检测研究进展

讲堂干货No.1｜山世光－基于深度学习的目标检测技术进展与展望

Tutorial

1. CVPR'17 Tutorial Deep Learning for Objects and Scenes by Kaiming He Ross Girshick

• [http://deeplearning.csail.mit.edu/]

ICCV 2015 Tools for Efficient Object Detection

• [http://mp7.watson.ibm.com/ICCV2015/ObjectDetectionICCV2015.html]

Object Detection

• [http://class.inrialpes.fr/tutorials/triggs-icvss1.pdf]

Image Recognition and Object Detection : Part 1

• [https://www.learnopencv.com/image-recognition-and-object-detection-part1/]

R-CNN for Object Detection

• [https://courses.cs.washington.edu/courses/cse590v/14au/cse590v_wk1_rcnn.pdf\]

视频教程

1. cs231 第11讲 Detection and Segmentation 

• PPT ：[http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture11.pdf\] 视频：[https://www.youtube.com/watch?v=nDPWywWRIRo&list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv]

Deep Learning for Instance-level Object Understanding by Ross Girshick.

• PPT：[http://deeplearning.csail.mit.edu/instance_ross.pdf\]

• 视频：[https://youtu.be/jHv37mKAhV4?t=2349]

代码

1. R-CNN

• [https://github.com/rbgirshick/rcnn]

Fast R-CNN:

• [https://github.com/rbgirshick/fast-rcnn]

• github("Fast R-CNN in MXNet"): https://github.com/precedenceguo/mx-rcnn

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

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

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

Faster R-CNN

• github(official, Matlab): https://github.com/ShaoqingRen/faster_rcnn

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

• github: https://github.com/mitmul/chainer-faster-rcnn

• github: https://github.com/andreaskoepf/faster-rcnn.torch

• github: https://github.com/ruotianluo/Faster-RCNN-Densecap-torch

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

• github: https://github.com/CharlesShang/TFFRCNN

• github(C++ demo): https://github.com/YihangLou/FasterRCNN-Encapsulation-Cplusplus

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

SPP-Net

• [https://github.com/ShaoqingRen/SPP_net\]

YOLO

• github: https://github.com/gliese581gg/YOLO_tensorflow

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

• github: https://github.com/frankzhangrui/Darknet-Yolo

• github: https://github.com/BriSkyHekun/py-darknet-yolo

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

• github: https://github.com/frischzenger/yolo-windows

• github: https://github.com/AlexeyAB/yolo-windows

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

YOLOv2

• github(Chainer): https://github.com/leetenki/YOLOv2

• github(Keras): https://github.com/allanzelener/YAD2K

• github(PyTorch): https://github.com/longcw/yolo2-pytorch

• github(Tensorflow): https://github.com/hizhangp/yolo_tensorflow

• github(Windows): https://github.com/AlexeyAB/darknet

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

• github: https://github.com/philipperemy/yolo-9000

SSD

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

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

• github: https://github.com/rykov8/ssd_keras

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

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

• github(Caffe): https://github.com/chuanqi305/MobileNet-SSD

Recurrent Scale Approximation for Object Detection in CNN

• [https://github.com/sciencefans/RSA-for-object-detection]

Mask-RCNN 2017

• Keras [https://github.com/matterport/Mask_RCNN\]

• TensorFlow [https://github.com/CharlesShang/FastMaskRCNN]

• Pytorch [https://github.com/felixgwu/mask_rcnn_pytorch\]

• caffe [https://github.com/jasjeetIM/Mask-RCNN]

• MXNet [https://github.com/TuSimple/mx-maskrcnn]

领域专家

1. Ross Girshick (rbg 大神)

• [http://www.rossgirshick.info/]

Kaiming He, Facebook人工智能实验室科学家Kaiming He

• [http://kaiminghe.com/]

Shaoqing Ren

• [http://shaoqingren.com/]

Jian Sun

• [http://www.jiansun.org/]

初步版本，水平有限，有错误或者不完善的地方，欢迎大家提建议和补充，会一直保持更新，敬请关注http://www.zhuanzhi.ai 和关注专知公众号，获取最新AI相关知识

特别提示-专知目标检测主题：

获取完整版查看，最新更新Image Caption知识资料，请PC登录www.zhuanzhi.ai或者点击阅读原文，顶端搜索“目标检测” 主题，查看获得专知荟萃全集知识等资料！如下图所示~ 

此外，请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），

• 后台回复“OD” 就可以在手机端获取专知目标检测知识资料链接~~

欢迎转发到你的微信群和朋友圈，分享专业AI知识！

更多专知荟萃知识资料全集获取，请查看：

请扫描小助手，加入专知人工智能群，交流分享~

获取更多关于机器学习以及人工智能知识资料，请访问www.zhuanzhi.ai,  或者点击阅读原文，即可得到！

-END-

欢迎使用专知

专知，一个新的认知方式！目前聚焦在人工智能领域为AI从业者提供专业可信的知识分发服务, 包括主题定制、主题链路、搜索发现等服务，帮你又好又快找到所需知识。

使用方法>>访问www.zhuanzhi.ai, 或点击文章下方“阅读原文”即可访问专知

中国科学院自动化研究所专知团队

@2017 专知

专 · 知

关注我们的公众号，获取最新关于专知以及人工智能的资讯、技术、算法、深度干货等内容。扫一扫下方关注我们的微信公众号。

点击“阅读原文”，使用专知！