目录
MaskRCNN源码解析3：RPN、ProposalLayer、DetectionTargetLayer
MaskRCNN源码解析4-0：ROI Pooling 与 ROI Align理论
MaskRCNN源码解析4：头网络(Networks Heads)解析
YOLOv3源码解析4-计算损失compute_loss()
Faster RCNN源码解读2-_anchor_component()为图像建立anchors（核心和关键1）
Faster RCNN源码解读3.1-_region_proposal() 筛选anchors-_proposal_layer()（核心和关键2）
Faster RCNN源码解读3.2-_region_proposal()筛选anchors-_anchor_target_layer()（核心和关键2）
Faster RCNN源码解读3.3-_region_proposal() 筛选anchors-_proposal_target_layer()（核心和关键2）
Faster RCNN源码解读4-其他收尾工作：ROI_pooling、分类、回归等
文本检测算法六：TextBoxes&&TextBoxes++
深度学习笔记-2.迁移学习(Transfer Learning)
深度学习笔记-4.循环神经网络（RNN）及长短时记忆网络（LSTM）
深度学习笔记-11.Normalization[规范化]方法总结
深度学习笔记-14.各种优化器Optimizer的总结与比较
DL练习1—基于CNN的MNIST手写字体识别（Tensorboard可视化版）
深度学习基础课程1笔记-决策树（Desision Tree）
深度学习基础课程2笔记-手写字体识别源码（MNIST）提高版2
深度学习基础课程2笔记-手写字体识别源码（MNIST）提高版3 CNN实现识别MNIST
TensorFlow_6断点续训与Tensorboard可视化
TensorFlow北大公开课学习笔记-3.1张量计算图会话
TensorFlow北大公开课学习笔记-3.2 神经网络的参数&前向传播
TensorFlow北大公开课学习笔记-5手写数字识别准确率输出
TensorFlow北大公开课学习笔记-6.1输入手写数字图片输出识别结果（结合5.3程序）
TensorFlow北大公开课学习笔记-7卷积神经网络 lenet5复现
TensorFlow北大公开课学习笔记-8 复现vgg16并实现图片识别
Python OpenCV _1基本操作（画图，循环播放图像，鼠标事件，读取中文路径中的图片）
Python OpenCV _3形态学处理（腐蚀膨胀，开闭运算，以及利用形态学进行边缘角点检测）
Python OpenCV _4初级滤波（均值滤波，高斯滤波，中值滤波）
Python OpenCV _5边缘检测（Sobel算子，Laplacian算子，Canny算子)
Python OpenCV _6直方图均衡化（查找表，OpenCV，Numpy等方法）
目标检测算法源码解析：
MaskRCNN源码解析：
MaskRCNN源码解析1：整体结构概述
MaskRCNN源码解析2：特征图与anchors生成
MaskRCNN源码解析3：RPN、ProposalLayer、DetectionTargetLayer
MaskRCNN源码解析4-0：ROI Pooling 与 ROI Align理论
MaskRCNN源码解析4：头网络(Networks Heads)解析
MaskRCNN源码解析5：损失部分解析
SSD源码解析：
SSD源码解析1-整体结构和框架
SSD源码解析2-input_pipeline()
SSD源码解析3-ssd_model_fn()
SSD源码解析4-损失函数（理论+源码）
YOLOv3源码解析：
YOLOv3源码解析1-代码整体结构
YOLOv3源码解析2-数据预处理Dataset()
YOLOv3源码解析3-网络结构YOLOV3()
YOLOv3源码解析4-计算损失compute_loss()
YOLOv3源码解析5-损失函数
Faster RCNN源码解读：
Faster RCNN复现
Faster RCNN源码解读1-整体流程和各个子流程梳理
Faster RCNN源码解读2-_anchor_component()为图像建立anchors（核心和关键1）
Faster RCNN源码解读3.1-_region_proposal() 筛选anchors-_proposal_layer()（核心和关键2）
Faster RCNN源码解读3.2-_region_proposal()筛选anchors-_anchor_target_layer()（核心和关键2）
Faster RCNN源码解读3.3-_region_proposal() 筛选anchors-_proposal_target_layer()（核心和关键2）
Faster RCNN源码解读4-其他收尾工作：ROI_pooling、分类、回归等
Faster RCNN源码解读5-损失函数
CTPN源码解析：
文本检测算法一：CTPN
CTPN源码解析1-数据预处理split_label.py
CTPN源码解析2-代码整体结构和框架
CTPN源码解析3.1-model()函数解析
CTPN源码解析3.2-loss()函数解析
CTPN源码解析4-损失函数
CTPN源码解析5-文本线构造算法构造文本行
CTPN训练自己的数据集
文本检测算法：
文本检测算法一：CTPN
文本检测算法二：SegLink
文本检测算法三：EAST and AdvancedEAST
文本检测算法四：PixelLink
文本检测算法五：Pixel-Anchor
文本检测算法六：TextBoxes&&TextBoxes++
文本检测算法七：FOTS
文本检测算法八：DeepText
文本检测算法九：RRPN
深度学习系列笔记：
深度学习笔记-1.使用ANN分类animal实例
深度学习笔记-2.迁移学习(Transfer Learning)
深度学习笔记-3.Faster RCNN复现
深度学习笔记-4.循环神经网络（RNN）及长短时记忆网络（LSTM）
深度学习笔记-5.GRU神经网络
深度学习笔记-6.seq2seq学习笔记
深度学习笔记-7.GIOU理解
深度学习笔记-8.Focal Loss理解
深度学习笔记-9.各种激活函数的总结与比较
深度学习笔记-10.几种权重初始化方法
深度学习笔记-11.Normalization[规范化]方法总结
深度学习笔记-12.BP算法再理解
深度学习笔记-13.损失函数、代价函数、目标函数
深度学习笔记-14.各种优化器Optimizer的总结与比较
深度学习笔记-15.CNN中常见的问题
深度学习笔记-16.梯度消失、爆炸、过拟合欠拟合、泛化能力
深度学习实战系列：
DL练习1—基于CNN的MNIST手写字体识别（Tensorboard可视化版）
DL练习2—基于CNN的验证码识别
DL练习3—基于RNN&LSTM的MNIST手写字体识别
DL练习4—基于LSTM的验证码识别
DL练习5—基于LSTM+CTC的不定长验证码识别
DL练习6—CNN实现0-9数字分类模型的训练
DL练习7—CNN实现50类汉字分类模型训练
DL练习8—seq2seq小例子
MSER+NMS 文本检测（身份证+发票+火车票）
CTPN训练自己的数据集
FasterRCNN训练自己的数据集
FasterRCNN训练自己的数据集2
FasterRCNN与CTPN结果相结合
FasterRCNN与CTPN结果相结合2
YOLOv3训练自己的数据集
YOLOv3与FasterRCNN结果对比
YOLOv3与FasterRCNN结果对比2
深度学习基础课程1、2笔记：
深度学习基础课程1笔记-Kmeans算法（聚类）
深度学习基础课程1笔记-决策树（Desision Tree）
深度学习基础课程1笔记-最近邻规则分类（KNN）
深度学习基础课程1笔记-支持向量机（SVM）
深度学习基础课程1笔记-神经网络算法（ANN）
深度学习基础课程2笔记-卷积神经网络算法(CNN)
深度学习基础课程2笔记-手写字体识别源码（MNIST）
深度学习基础课程2笔记-手写字体识别源码（MNIST）提高版2
深度学习基础课程2笔记-手写字体识别源码（MNIST）提高版3 CNN实现识别MNIST
TensorFlow系列笔记：
TensorFlow_1参数初始化方法
TensorFlow_2学习率
TensorFlow_3激活函数
TensorFlow_4正则化
TensorFlow_5dropout
TensorFlow_6断点续训与Tensorboard可视化
TensorFlow_7优化器
TensorFlow_8损失函数
TensorFlow北大公开课学习笔记-3.1张量计算图会话
TensorFlow北大公开课学习笔记-3.2 神经网络的参数&前向传播
TensorFlow北大公开课学习笔记-3.3反向传播
TensorFlow北大公开课学习笔记-4.1损失函数
TensorFlow北大公开课学习笔记-4.2学习率
TensorFlow北大公开课学习笔记-4.3滑动平均
TensorFlow北大公开课学习笔记-4.4正则化
TensorFlow北大公开课学习笔记-5手写数字识别准确率输出
TensorFlow北大公开课学习笔记-6.1输入手写数字图片输出识别结果（结合5.3程序）
TensorFlow北大公开课学习笔记-7卷积神经网络 lenet5复现
TensorFlow北大公开课学习笔记-8 复现vgg16并实现图片识别
机器学习十大算法系列文章：
机器学习实战笔记1—k-近邻算法
机器学习实战笔记2—决策树
机器学习实战笔记3—朴素贝叶斯
机器学习实战笔记4—Logistic回归
机器学习实战笔记5—支持向量机
机器学习实战笔记6—AdaBoost
机器学习实战笔记7—K-Means
机器学习实战笔记8—随机森林
机器学习实战笔记9—人工神经网络
图像特征提取算法系列：
OpenCV-图像特征提取算法1_Gabor
OpenCV-图像特征提取算法2_HOG
OpenCV-图像特征提取算法3_LBP
OpenCV-图像特征提取算法4_Haar
OpenCV-图像特征提取算法5_SIFT
OpenCV基本操作系列：
Python OpenCV _1基本操作（画图，循环播放图像，鼠标事件，读取中文路径中的图片）
Python OpenCV _2直方图计算与显示的四种方式
Python OpenCV _3形态学处理（腐蚀膨胀，开闭运算，以及利用形态学进行边缘角点检测）
Python OpenCV _4初级滤波（均值滤波，高斯滤波，中值滤波）
Python OpenCV _5边缘检测（Sobel算子，Laplacian算子，Canny算子)
Python OpenCV _6直方图均衡化（查找表，OpenCV，Numpy等方法）
OpenCV_1浮雕和雕刻效果
OpenCV_2扩张和挤压效果
OpenCV_3颜色变幻效果
OpenCV_4波浪正弦效果
OpenCV_5径向模糊：缩放&旋转
OpenCV_6风
OpenCV_7漩涡
OpenCV_8素描
OpenCV_9扩散（毛玻璃）
OpenCV_10怀旧色 & 连环画 & 熔铸 & 冰冻
OpenCV_11高反差保留
OpenCV_12计算模式（强光）
OpenCV_13羽化
OpenCV_14HDR
OpenCV_15绘制朱利亚(Julia)集合图形
OpenCV-16图像修复
OpenCV_17马赛克和毛玻璃滤镜效果
OpenCV-18图像白平衡算法
OpenCV-19拼图板小游戏
OpenCV_20图像融合
6895
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
