caffe 模型

py-faster-rcnn 模型介绍

fast-rcnn 是基于SS（selective search）方法提取建议框，而SS方法是基于CPU 运行的，无法借用GPU的高度并行运算能力，效率较低。且提供建议框约2000，过多，加重深度学习处理的压力。
faster-rcnn 采用共享卷积网组成RPN（region proposal network），直接预测出建议框约300个，且预测在GPU中完成，卷积网与fast-rcnn 部分共享，较少参数，大幅提升目标检测速度。

Faster-RCNN 把目标检测的四个基本步骤(候选区域生成、特征提取、分类和Bounding BOX 回归) 统一到一个深度网络框架之内。其中候选区域生成由RPN 部分完成，是Faste-RCNN 的创意所在。 提取、分类和Bounding Box 回1等: 三个部分还是沿用了Fast-RCNN。所以说Faster-RCNN 是Fast-RCNN 的升级版本。

py-faster-rcnn 模型编译与测试

1. faster RCNN python 安装
2. 完美解决ImportError: No module named _tkinter的问题
3. sudo apt install python-yaml
4. faster-rcnn在编译时遇到的一些问题
5. 使用Faster-Rcnn进行目标检测(实践篇)

py-faster-rcnn 模型训练自己数据

1. Github : rbgirshick/py-faster-rcnn
2. Faster-RCNN+ZF用自己的数据集训练模型(Python版本)
3. 生成VOC数据集 https://github.com/tzutalin/labelImg
4. caffe示例实现之6微调CaffeNet用于Flickr Style数据集上的风格识别

# 2010、2012数据下载
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2010/VOCtrainval_03-May-2010.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2010/VOCdevkit_08-May-2010.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCdevkit_18-May-2011.tar

使用Python合并lmdb文件 ： http://www.jianshu.com/p/7cdec6514b0c

猫狗分类检测

1. Caffe学习系列(11)：图像数据转换成db（leveldb/lmdb)文件
2. 爬取百度图片各种狗狗的图片，使用caffe训练模型分类
3. 深度学习caffe平台–制作自己.lmdb格式数据集及分类标签文件

caffe

1. Caffe：如何将图片数据转换成lmdb文件
2. 神经网络中使用卷积的原因
3. github-crnn
4. Caffe简介
5. 深度学习框架 Caffe 的安装与基本使用
6. 人工智能深度学习Caffe框架介绍，优秀的深度学习架构
7. LeNet神经网络

卷积操作

多通道(比如RGB三通道)卷积过程
结论：多通道单卷积核是将多通道同一位置卷积结果相加