ubuntu16.04+caffe环境下的Faster R-CNN预训练模型下载

coreML 模型， iOS平台使用； 模型很小， 集成到CoreML。

详细的caffe环境搭建教程，step by step，适合初级使用者。

这是一个SSD网络的预训练模型，在训练网络的时候你可能需要他

（1）caffe在windows环境下的模型训练MNIST数据集和leveldb版的转换数据（2）caffe.exe和convert_mnist_siamese_data.exe可执行程序；第一个用于

faster_rcnn_models下载链接。

cafferesnet-50预训练的模型用于进行caffe的finetune

ubuntu16.04环境下，基于caffe框架，使用GPU。FasterR-CNN编译和搭建教程，包括问题和报错的解决，demo运行。相关配套的源码和模型有下载地址

VGG预训练模型需要连接外网下载，而且下载速度很慢，有500多兆！资源包括VGG16和VGG19预训练模型

本模型是在ImageNet预训练好的resnet模型。作为faster RCNN的backbone网络参数使用。有参考https://github.com/jwyang/faster-rcnn.pyt

解压之后的文件改名为.gz后缀再解压,里面的文件分别是resnet50_rfcn_final.caffemodel和resnet101_rfcn_final.caffemodel

若要在faster-rcnn对象检测器中使用已训练的vgg16-caffe模型，您需要下载权重文件。我们提供了最新版本的权重文件以供下载。使用该权重文件可以轻松地在你的项目中使用faster-rcnn

Faster R-CNN是目标检测中一种常用的深度学习模型，它的结构图包括了输入层、卷积层、RPN层、ROI池化层、全连接层等部分，通过这些组成对输入图片进行目标检测和定位。其中RPN层可以生成一些候

2015年，Ross Girshick提出了Faster R-CNN作为R-CNN和Fast R-CNN的进阶版本。其核心是采用Region Proposal Network（RPN）生成候选区域，优

本文通过在Alexnet网络模型的基础上运用迁移学习原理，成功实现了Matlab中的R-CNN目标检测。针对停止标志(stop sign)图像数据集，首先导入Alexnet预训练的模型，加载训练集图像

Faster R-CNN算法在目标检测领域具有重要地位，基于R-CNN和Fast R-CNN的改进，提出了区域提议网络（RPN），显著提高了检测速度和精度。R-CNN通过选择性搜索提取图像中的候选区域