SSD基于深度学习的目标检测

针对实际交通场景下的车辆目标，应用深度学习目标分类算法中具有代表性的FasterR-CNN框架，结合ImageNet中的车辆数据集，把场景中的目标检测问题转换为目标的二分类问题，进行车辆目标的检测识别

为了提高生产系统中目标检测器的速度和优化并行运算，俄罗斯开发者Alexey Bochkovskiy和两位中国台湾开发者Chien-Yao Wang和Hong-Yuan Mark Liao共同推出了YO

YOLOv4是2020年Alexey Bochkovskiy等人发表在CVPR上的一篇文章，它采用了MobileNet为骨干网络，在保持准确率的同时加快了检测速度。与此同时，YOLOv4还在骨干网络中

YOLO深度学习目标检测算法文献整理这是我整理的YOLO深度学习目标检测算法相关文献，全部开源。简洁易懂，适用于手指测量，不适用于商业用途。调试通过，可靠稳定。可基于此进行二次修改和应用。

在本文中,我们专注于解决超高分辨率(VHR)遥感图像中的目标检测问题。 VHR遥感图像中物体检测的主要挑战是:(1)VHR图像通常太大,在定位物体时会花费太多时间; (2)高误报,因为背景占主导地位,

针对SSD算法在计算机视觉中检测多目标时出现的漏检现象，提出了一种改进方法，即在SSD算法的基础上，将VGG-16网络替换为密集型网络，并对目标检测后的所有预测框进行非极大值抑制算法的改进。这一改进使

完整实现从数据集的建立到数据集的划分到CNN模型的训练再到模型的调用和图片的属性预测是初学者增强学习兴趣的很好的素材整个过程逻辑非常清晰

本文围绕深度学习技术在图像目标检测中的应用展开研究。首先介绍了传统目标检测算法的不足之处，然后详细阐述了深度学习技术在目标检测领域中的应用，重点阐述了基于深度学习的目标检测方法。文章总结了基于深度学习

随着无人机技术的不断发展，基于深度学习的目标检测和跟踪越来越受到重视和应用。本文从理论出发，介绍深度学习在无人机视觉目标检测中的应用，包括卷积神经网络、循环神经网络等相关技术，重点讨论无人机视觉应用的

一种基于深度学习的遥感图像目标检测方法。该方法通过卷积神经网络和物体提议算法对遥感图像进行分析和识别，在实际应用中表现良好。本文还对该方法的原理、步骤和优缺点进行了详细阐述，并给出了相关实验结果。此外