keras 里的load img用的是PIL，与cv2中的resize算法不同cv2:https://www.cnblogs.com/jyxbk/p/7651241.htmlcv2.resize(src,dsize[,dst[,fx[,fy[,interpolation]]]])->dst参数说明：src - 原图dst - 目标图像。当参数d...

void detectMultiScale(const Mat& image,CV_OUT vector& objects,double scaleFactor = 1.1,int minNeighbors = 3, int flags = 0,Size minSize = Size(),Size maxSize = Size());参数1：im

最近几年深度学习在计算机视觉领域取得了巨大的成功，而在目标检测这一计算机视觉的经典问题上直到去年(2015)才有了完全使用深度学习的方法，也就是大名鼎鼎的Faster-RCNN以及和它同一时期的工作YOLO。目标检测就是要找到一张图中所有的物体和它们的位置，在这两篇文章之前，人们通常的做法是先用一些传统视觉的方法如selective search找到proposal，即比较可能是物体的一个

网上很多关于Faster RCNN的介绍，不过这一片算是比较全的了，不仅包括整体流程、思想的介绍，也包括各个实现较为深入的介绍。大概内容记录如下（仅记录目前我感兴趣的部分）：1 各种CNN模型以及数据库自从接触基于深度学习的目标检测这一领域以来，经常遇到各种CNN模型，比如ZF模型、VGG模型等等。同时也接触到各种数据集如PASCAL VOC、MNIST、ImageNet等等，博文

论文：《Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks》摘要：算法主要解决两个问题：1、提出区域建议网络RPN，快速生成候选区域；2、通过交替训练，使RPN和Fast-RCNN网络共享参数。 一、 RPN网络结构RPN网络的作用是输入一张图像，输出一批矩形候选区域，类

在前一段时间在看论文相关的工作，没有时间整理对这篇论文的理解。在前面的一篇博客【1】中有提到Selective Search【2】，其前期工作利用图像分割的方法得到一些原始区域（具体内容请查看【1】），然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体。      博客【3】已经有对这篇论文的一些简单介绍，写这篇博客不免有重复发明轮子之嫌，不想想

http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51036677Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.” Proceedings of th