Faster-RCNN

此处提供了tf-Faster-RCNN Faster R-CNN的Python 3 / TensorFlow实现，包括灰度处理代码。这个端到端的TensorFlow应用程序基于深度模型，可在Python 3.5+和TensorFlow v1.0环境中运行。推荐在Ubuntu 16及以上版本上使用，但其他Linux发行版的兼容性尚未测试。

MATLABcode中size的含义Faster-Rcnn-cplus，基于Visual Studio 2013在Windows平台上的更高效rcnn cplus。该项目允许您使用Python模型进行测试，需要VC编译器来构建。Visual Studio 2013社区版适用于此项目。如果您希望使用fast-rcnn，需将其他文件添加到libcaffe项目中，所有头文件添加到/ include / caffe /，所有源文件和cu文件添加到/ src / caffe /。这些项目需要重新构建；具体请参阅：结果与Matlab版本略有不同，并且执行时间较长。在我的电脑（GTX760 GPU）上，处理大小为（375 * 500 * 3）的图像需时246ms。mean_images是从Matlab模型转换而来。您可以使用命令imwrite（uint8（proposal_detection_model.image_means），'mean_ima

免责声明：本存储库提供了官方的Faster R-CNN代码（使用MATLAB编写）。如果您的目标是复现NIPS 2015论文中的结果，请使用此代码。该存储库还包含了对MATLAB代码的Python重新实现，基于某些分支构建，二者之间有细微差别。特别是，Python实现的测试速度比MATLAB实现慢约10%，因为某些操作在CPU上的Python层执行（例如，220ms/图像，而VGG16为200ms/图像）。这种差异导致与MATLAB版本相比，mAP表现不完全相同，但仍然较为接近。使用MATLAB代码训练的模型与此Python实现可能不兼容。此Python实现源自Sean Bell（康奈尔大学）在MSR实习期间所写的内容。有关更详细的说明，请联系官方支持。Faster R-CNN首次在《实时目标检测：通过区域提议网络实现》中被介绍，并在NIPS 2015上发布。

详细介绍如何在 VS2013 环境下，利用 Cuda7.5 和 OpenCV2.4.9，重新编译 Faster R-CNN 的 Caffe 库。