1. TensorFlow-Slim
2. tensorflow detection model zoo
3. VGG
https://blog.csdn.net/huangfei711/article/details/80484488
4. 训练好的vgg net,在深度学习课程中用来做transfer learning,项目在这里。transfer learning的注意。使用的是flower数据。
5. 以kears-yolov3做detector,以Kalman-Filter算法做tracker,进行多人物目标追踪。将model运用到具体应用中。
6. Yolo transfer learning 官方教程
7. Yolo原理
物体检测处理成回归问题,特点是unified detection
Batch Normalization 简单理解为可以避免卷积处理后数据分布差异太大造成的截断误差。在卷积层之后,激活函数之前。
leaky relu.输入为负处激活函数的输出不是0,简单地relu输出是0.使用leaky relu可以避免relu在数字到达0以下时神经元失去求解梯度功能的情况。
残差网络(Residual Net):没有残差网络时,神经网络学习的量可能本身是1200,然后再1201,1203变化。 有了残差网络之后可能将1200分成一个1200,然后网络学习的只是-1,0,1这样的变化量,这样的好处是放大了变化,使得网络的变化更为灵敏。这是李宏毅老师解释的。典型例子:ResNet,每隔几层就做一次残差。
Yolov3框图
unified detection不是很多步结合的检测,