這是一份詳細介紹了目標檢測的相關經典論文、學習筆記、和代碼示例的清單，想要入坑目標檢測的同學可以收藏了！
R-CNN
R-CNN是2014年出現的。它是將CNN用於對象檢測的起源，能夠基於豐富的特徵層次結構進行目標精確檢測和語義分割來源。
如何確定這些邊界框的大小和位置呢？R-CNN網絡是這樣做的：在圖像中提出了多個邊框，並判斷其中的任何一個是否對應着一個具體對象。
Fast R-CNN
2015年，R-CNN的作者Ross Girshick解決了R-CNN訓練慢的問題，發明了新的網絡Fast R-CNN。主要突破是引入感興趣區域池化（ROI Pooling），以及將所有模型整合到一個網絡中。
你可以通過以下GitHub鏈接查看模型的各種實現代碼：
https://github.com/rbgirshick/fast-rcnn
https://github.com/precedenceguo/mx-rcnn
https://github.com/mahyarnajibi/fast-rcnn-torch
https://github.com/apple2373/chainer-simple-fast-rnn
https://github.com/zplizzi/tensorflow-fast-rcnn
這裏還有一個利用對抗學習改進目標檢測結果的應用：
http://abhinavsh.info/papers/pdfs/adversarial_object_detection.pdf
https://github.com/xiaolonw/adversarial-frcnn
Faster R-CNN
2015年，一個來自微軟的團隊（任少卿，何愷明，Ross Girshick和孫劍）發現了一種叫做「Faster R-CNN」的網絡結構，基於區域建議網絡進行實時目標檢測，重複利用多個區域建議中相同的CNN結果，幾乎把邊框生成過程的運算量降爲0。
你可以在這裏看到關於Faster R-CNN的更多介紹，包括PPT和GitHub代碼實現：
http://web.cs.hacettepe.edu.tr/~aykut/classes/spring2016/bil722/slides/w05-FasterR-CNN.pdf
Matlab
https://github.com/ShaoqingRen/faster_rcnn
Caffe
https://github.com/rbgirshick/py-faster-rcnn
MXNet
https://github.com/msracver/Deformable-ConvNets/tree/master/faster_rcnn
PyTorch
https://github.com//jwyang/faster-rcnn.pytorch
TensorFlow
https://github.com/smallcorgi/Faster-RCNN_TF
Keras
https://github.com/yhenon/keras-frcnn
C++
https://github.com/D-X-Y/caffe-faster-rcnn/tree/dev
SPP-Net（空間金字塔池化網絡）
SPP-Net是基於空間金字塔池化後的深度學習網絡進行視覺識別。它和R-CNN的區別是，輸入不需要放縮到指定大小，同時增加了一個空間金字塔池化層，每幅圖片只需要提取一次特徵。
相關資源：
https://github.com/ShaoqingRen/SPP_net
http://zhangliliang.com/2014/09/13/paper-note-sppnet/
更多論文：
DeepID-Net：基於變形深度卷積神經網絡進行目標檢測
http://www.ee.cuhk.edu.hk/%CB%9Cwlouyang/projects/imagenetDeepId/index.html
深度感知卷積神經網絡中的目標檢測器
https://www.robots.ox.ac.uk/~vgg/rg/papers/zhou_iclr15.pdf
segDeepM：利用深度神經網絡中的分割和語境進行目標檢測
https://github.com/YknZhu/segDeepM
基於卷積特徵激活圖的目標檢測網絡
http://arxiv.org/abs/1504.06066
利用貝葉斯優化與結構化預測改進基於深度卷積神經網絡的目標檢測
http://arxiv.org/abs/1504.03293
DeepBox：利用卷積網絡學習目標特性
http://arxiv.org/abs/1505.02146
YOLO模型
YOLO是指標準化、實時的目標檢測。
可以先看大數據文摘翻譯的這個視頻瞭解YOLO：
TED演講 | 計算機是怎樣快速看懂圖片的：比R-CNN快1000倍的YOLO算法
有了YOLO，不需要一張圖像看一千次，來產生檢測結果，你只需要看一次，這就是我們爲什麼把它叫"YOLO"物體探測方法（You only look once）。
代碼實現：
https://github.com/pjreddie/darknet
https://github.com/gliese581gg/YOLO_tensorflow
https://github.com/xingwangsfu/caffe-yolo
https://github.com/tommy-qichang/yolo.torch
https://github.com/nilboy/tensorflow-yolo
相關應用：
Darkflow：將darknet轉換到tesorflow平臺。加載訓練好的權值，用tensorflow再次訓練，再將導出計算圖到C++環境中。
https://github.com/thtrieu/darkflow
使用你自己的數據訓練YOLO模型。利用分類標籤和自定義的數據進行訓練，darknet支持Linux / Windows系統。
https://github.com/Guanghan/darknet
IOS上的YOLO實戰：CoreML vs MPSNNGraph，用CoreML和新版MPSNNGraph的API實現小型YOLO。
https://github.com/hollance/YOLO-CoreML-MPSNNGraph
安卓上基於TensorFlow框架運行YOLO模型實現實時目標檢測。
https://github.com/natanielruiz/android-yolo
YOLOv2模型
時隔一年，YOLO作者放出了v2版本，稱爲YOLO9000，並直言它「更快、更高、更強」。YOLO v2的主要改進是提高召回率和定位能力。
各種實現：
Keras
https://github.com/allanzelener/YAD2K
PyTorch
https://github.com/longcw/yolo2-pytorch
Tensorflow
https://github.com/hizhangp/yolo_tensorflow
Windows
https://github.com/AlexeyAB/darknet
Caffe
https://github.com/choasUp/caffe-yolo9000
相關應用：
Darknet_scripts是深度學習框架中YOLO模型中darknet的輔助腳本，生成YOLO模型中的參數anchors。
https://github.com/Jumabek/darknet_scripts
Yolo_mark：圖形化標記用於訓練YOLOv2模型的圖像目標
https://github.com/AlexeyAB/Yolo_mark
LightNet：改進的DarkNet
https://github.com//explosion/lightnet
用於生成YOLOv2模型所需訓練數據的邊界框標記工具
https://github.com/Cartucho/yolo-boundingbox-labeler-GUI
Loss Rank Mining：基於實時目標檢測的一種通用的困難樣本挖掘方法。LRM是第一個高度適用於YOLOv2模型中的困難樣本挖掘策略，它讓YOLOv2模型能夠更好的應用到對實時與準確率要求較高的場景中。
https://arxiv.org/abs/1804.04606
YOLOv3模型
再次改進YOLO模型。提供多尺度預測和更好的基礎分類網絡。相關實現：
https://pjreddie.com/darknet/yolo/
https://github.com/pjreddie/darknet
https://github.com/experiencor/keras-yolo3
https://github.com/marvis/pytorch-yolo3
SSD（單網絡目標檢測框架）
SSD可以說是YOLO和Faster R-Cnn兩者的優勢結合。相比於Faster R-Cnn，SSD的目標檢測速度顯著提高，精度也有一定提升；相比YOLO，速度接近，但精度更高。
相關實現:
https://github.com/zhreshold/mxnet-ssd
https://github.com/rykov8/ssd_keras
https://github.com/balancap/SSD-Tensorflow
https://github.com/amdegroot/ssd.pytorch
https://github.com/chuanqi305/MobileNet-SSD
DSOD（深度監督目標檢測方法）
與SSD類似，是一個多尺度不需要proposal的檢測框架，是一種完全脫離預訓練模型的深度監督目標檢測方法。
相關實現：
https://arxiv.org/abs/1708.01241
https://github.com/szq0214/DSOD
https://github.com/Windaway/DSOD-Tensorflow
https://github.com/chenyuntc/dsod.pytorch