文件名称：ssd_keras：单发MultiBox检测器的Keras端口
文件大小：10.22MB
文件格式：ZIP
更新时间：2024-02-26 03:36:09
computer-vision deep-learning keras ssd fcn
SSD：Keras中的单发MultiBox Detector实现 内容 总览 这是Wei Liu等人介绍的SSD模型架构的Keras端口。 中的文件 。 下面提供了所有原始模型的经过训练的配重的端口。 此实现是准确的，这意味着移植的权重和从头开始训练的模型都将产生与原始Caffe实现的各个模型相同的mAP值（请参见下面的性能部分）。 该项目的主要目标是创建一个SSD实施，对于那些对模型的低级理解感兴趣的人，有充分的文档证明。 所提供的教程，文档和详细的注释希望使代码的挖掘和改编或建立在模型上的难度比目前几乎没有其他文档和注释的大多数其他实现（Keras或其他）更容易。 该存储库当前提供以
【文件预览】：
ssd_keras-master
----.gitignore(1KB)
----ssd_encoder_decoder()
--------ssd_output_decoder.py(42KB)
--------__init__.py(0B)
--------ssd_input_encoder.py(40KB)
--------matching_utils.py(5KB)
----weight_sampling_tutorial.ipynb(256KB)
----data_generator()
--------object_detection_2d_photometric_ops.py(16KB)
--------data_augmentation_chain_original_ssd.py(14KB)
--------data_augmentation_chain_variable_input_size.py(8KB)
--------__init__.py(0B)
--------object_detection_2d_patch_sampling_ops.py(46KB)
--------data_augmentation_chain_constant_input_size.py(9KB)
--------object_detection_2d_data_generator.py(69KB)
--------object_detection_2d_geometric_ops.py(36KB)
--------object_detection_2d_image_boxes_validation_utils.py(18KB)
--------object_detection_2d_misc_utils.py(3KB)
--------data_augmentation_chain_satellite.py(8KB)
----ssd300_inference.ipynb(1.15MB)
----keras_layers()
--------keras_layer_DecodeDetectionsFast.py(14KB)
--------__init__.py(0B)
--------keras_layer_AnchorBoxes.py(15KB)
--------keras_layer_DecodeDetections.py(15KB)
--------keras_layer_L2Normalization.py(2KB)
----ISSUE_TEMPLATE.md(2KB)
----bounding_box_utils()
--------__init__.py(0B)
--------bounding_box_utils.py(20KB)
----__init__.py(0B)
----CONTRIBUTING.md(3KB)
----ssd300_training.ipynb(584KB)
----models()
--------keras_ssd300.py(34KB)
--------keras_ssd512.py(36KB)
--------__init__.py(0B)
--------keras_ssd7.py(29KB)
----eval_utils()
--------coco_utils.py(11KB)
--------average_precision_evaluator.py(52KB)
--------__init__.py(0B)
----LICENSE.txt(10KB)
----.github()
--------stale.yml(994B)
----examples()
--------trained_ssd300_pascalVOC2007_test_pred_01.png(307KB)
--------trained_ssd300_pascalVOC2007_test_pred_02_no_gt.png(341KB)
--------ssd300_pascalVOC_pred_07.png(209KB)
--------ssd300_pascalVOC_pred_01.png(346KB)
--------trained_ssd300_pascalVOC2007_test_pred_06.png(332KB)
--------ssd300_pascalVOC_pred_08.png(162KB)
--------trained_ssd300_pascalVOC2007_test_pred_01_no_gt.png(309KB)
--------ssd300_pascalVOC_pred_02.png(196KB)
--------trained_ssd300_pascalVOC2007_test_pred_03_no_gt.png(277KB)
--------trained_ssd300_pascalVOC2007_test_pred_03.png(277KB)
--------fish-bike.jpg(47KB)
--------ssd300_pascalVOC_pred_09.png(212KB)
--------ssd300_pascalVOC_pred_04.png(273KB)
--------trained_ssd300_pascalVOC2007_test_pred_04_no_gt.png(352KB)
--------ssd300_pascalVOC_pred_05.png(171KB)
--------trained_ssd300_pascalVOC2007_test_pred_04.png(353KB)
--------ssd7_udacity_traffic_pred_05.png(289KB)
--------ssd7_udacity_traffic_pred_04.png(272KB)
--------ssd7_udacity_traffic_pred_02.png(278KB)
--------trained_ssd300_pascalVOC2007_test_pred_05_no_gt.png(520KB)
--------trained_ssd300_pascalVOC2007_test_pred_02.png(339KB)
--------ssd7_udacity_traffic_pred_03.png(325KB)
--------ssd300_pascalVOC_pred_03.png(151KB)
--------ssd7_udacity_traffic_pred_01.png(240KB)
--------ssd300_pascalVOC_pred_06.png(238KB)
--------trained_ssd300_pascalVOC2007_test_pred_05.png(517KB)
--------fish_bike.jpg(47KB)
----README.md(19KB)
----ssd7_training.ipynb(600KB)
----keras_loss_function()
--------__init__.py(0B)
--------keras_ssd_loss.py(12KB)
----misc_utils()
--------tensor_sampling_utils.py(11KB)
--------__init__.py(0B)
----training_summaries()
--------ssd300_pascal_07+12_loss_history.png(41KB)
--------ssd300_pascal_07+12_training_summary.md(6KB)
----ssd512_inference.ipynb(1.08MB)
----ssd300_evaluation.ipynb(334KB)
----.gitattributes(33B)
----ssd300_evaluation_COCO.ipynb(13KB)