keras中文文档:https://keras.io/zh/
论文理解:
边框回归的理解:https://blog.csdn.net/zijin0802034/article/details/77685438
retinanet理解:https://www.jianshu.com/p/db4ccd194109
yolo理解:https://zhuanlan.zhihu.com/p/49556105
代码实现及理解
YOLOv3 keras代码跑自己数据集:https://blog.csdn.net/Patrick_Lxc/article/details/80615433
https://blog.csdn.net/u012746060/article/details/81183006
yolo v3 keras代码理解:https://github.com/SpikeKing/keras-yolo3-detection
https://danielack.github.io/2018/08/25/yolov3Keras%E5%AE%9E%E7%8E%B0%E8%A7%A3%E8%AF%BB
yolo v3中具体操作及函数参考:
yolo v3目标检测中需要将图像转换为固定416*416大小,调整图像操作参见PIL:https://www.colabug.com/4009413.html
处理数据阶段得到有关数据的生成器 generator:https://www.ibm.com/developerworks/cn/opensource/os-cn-python-yield/
yolo v3中心点相对原图像比例的误差采用的是keras.backends.binary_crossentropy,而此函数内部采用的是sigmoid_cross_entropy_with_logits,sigmoid_cross_entropy_with_logits具体计算参见:https://blog.csdn.net/brooknew/article/details/84660830,衡量两者对于sigmoid的符合度。
keras模型保存参见save/save_weights函数:https://blog.csdn.net/leviopku/article/details/86612293
极大值NMS抑制函数(存在多个边界框,保留概率最大的那个,去除掉与这个概率最大的边界框的IoU大于一个阙值的其余边界框):https://blog.csdn.net/m0_37393514/article/details/81777244
扩展:
各类损失函数的理解:https://www.jianshu.com/p/47172eb86b39
yolo v3中的可视化:https://blog.csdn.net/qq_34806812/article/details/81459982
keras中可视化网络模型:https://www.jianshu.com/p/089302461a6b