翻译SSD论文(Single Shot MultiBox Detector) ，转载仅作交流~

一种单次相机-投影仪校准方法，用于处理校准目标的不完美平面性。 强调： 1. 提供图形用户界面，使用更方便。 2. 所提出的方法仅用单次拍摄来执行相机-投影仪对校准，使其在许多应用中非常方便。 即使是手持板，它也能提供灵活和准确的结果。 3. 开发了一种束调整 (BA) 算法来联合优化估计的相机/投影仪模型和模型空间中的特征点。 4. 与许多现有方法不同，为了校准系统，我们应用来自结构光 (SL) 图案而不是棋盘格的点。 这种策略不仅增加了特征点的数量，还增加了它们的空间分布，从而提高了校准鲁棒性。

Caffe-SSD-对象检测 在Python中使用OpenCV在Caffe MobileNet上使用Single Shot MultiBox Detector进行目标检测。 SSD框架 单发MultiBox检测器可分为两部分： 使用基础网络提取特征 使用卷积滤波器进行预测 此实现将MobileNet深度学习CNN架构用作基础网络。 Caffe框架 Caffe是由Berkely AI Research和社区贡献者开发的深度学习框架。 Caffe。 这是使用Nvidia K-40 GPU每天训练超过600万张图像的更快的方法 运行代码 python detectDNN.py -p Caffe/SSD_MobileNet_prototxt -m Caffe/SSD_MobileNet.caffemodel 文章

SSD（single shot multibox detector）翻译，含原论文

识别NI NI-USB6008 DAQ并通过DAQ从传感器收集数据。 在此示例中，它从压力传感器收集 10 秒的数据，并在每次调用该函数时输出平均值。 这些函数用于仪器实验室课程。 要查看更多详细信息，请参阅压力测量实验室： http://www.bse.vt.edu/kumar/Instrumentation/index.html

单发对象检测已更新 摘自Hadelin de Ponteves关于Open CV的Udemy课程 该代码包括用于最新PyTorch支持的更新后的SSD类。 已更新功能detection.py，使其与SSD类和最新的PyTorch版本兼容。 如果您拥有最新的PyTorch版本，请克隆代码，并用更新的代码替换现有的SSD.py文件和detect.py文件（在图层/函数内）

有关设置环境，请阅读SETUP.md 息肉定位和检测 这项工作是在EEML暑期学校（2019年）期间介绍的。在 查找随附的海报。 对于我们的定位和检测任务，我们使用了ColonCVC数据集和ETIS-Larib数据集。 1.息肉本地化 这里的任务是训练完全卷积网络（FCN-8）为息肉创建分割蒙版，然后在其周围绘制一个边界框。 要训​​练FCN-8，请运行main.py 要评估/测试模型，请运行predict_masks.py 2.息肉检测 这里的任务是训练物体检测网络。 我们使用SSD（单发Multibox检测器评估我们的结果）。 代码适用于Faster R-CNN和SSD 。 要训​​练

SSD：Single Shot MultiBox Detector 英文原文和中文翻译版，希望对大家有帮助

本资源是本人翻译的Single Shot MultiBox Detector的一文，出自于2016年，主要内容是完成行人重识别的网络构建，不仅提高了识别准确率，并且提高了是别的速度。其中，作者的一些设计思路很有启发。

SSD_Single Shot MultiBox Detector 2016.pdf, 目标检测中比较经典的算法，速度快，效果好，而且代码相比faster-rcnn要简单易懂，代码在我的上一个上传资源里