awesome 整理的GitHub项目整理清单（必看！！！）
11.11 智慧上云
云服务器企业新用户优先购，享双11同等价格
在这篇文章中：
Amusi 整理过的 awesome 系列项目：
- GitHub：深度学习最全资料集锦
- GitHub：车道线检测最全资料集锦
- GitHub：目标检测最全论文集锦
- GitHub：TensorFlow最全资料集锦
- GitHub：图像分类最全资料集锦
- GitHub：图像分割最全资料集锦
- GitHub：目标跟踪最全资料集锦
- GitHub：人群密度估计最全资料集锦
以下，依次是awesome系列项目
Awesome-Deep-Learning：
https://github.com/ChristosChristofidis/awesome-deep-learning
该项目主要包含以下内容：
- 免费在线书籍
- 教程
- 视频和讲座
- 论文
- 导读
- 学者
- 网站
- 数据集
- 会议
- 框架
- 工具
- 其它
awesome-lane-detection
awesome-lane-detection是Amusi 整理的关于车道线检测的资料合集，已经发布到github上，欢迎star、fork。
据笔者了解，车道线检测解决方案主要分为传统图像处理和深度学习两种。看起来每个领域都可以这么说，但车道线检测与其它研究方向不太一样。因为检测的目标可能是直线也可能是曲线，而且只是"线"而已，目前很多公司还在用传统图像处理方法来解决。
https://github.com/amusi/awesome-lane-detection
这个开源库主要包括以下内容：
- 论文（以2017之后为主）
- 开源代码
- 博客
- 数据集
awesome-Object-Detection
接下来，重点介绍一下这个“很copy”的库。awesome-object-detection的目的是为了提供一个目标检测（Object Detection）学习的平台。特点是：介绍最新的paper和最新的code（尽量更新！）由于Amusi还是初学者，目前还没有办法对每个paper进行介绍，但后续会推出paper精讲的内容，也欢迎大家star，fork并pull自己所关注到最新object detection的工作。
https://github.com/amusi/awesome-object-detection
那来看看目前，awesome-object-detection里有哪些干货吧~
为了节省篇幅，这里只介绍较为重要的工作：
- R-CNN三件套（R-CNN Fast R-CNN和Faster R-CNN）
- Light-Head R-CNN
- Cascade R-CNN
- YOLO三件套（YOLOv1 YOLOv2 YOLOv3）
- SSD（SSD DSSD FSSD ESSD Pelee）
- R-FCN
- FPN
- DSOD
- RetinaNet
- DetNet
- ...
大家对常见的R-CNN系列和YOLO系列一定很熟悉了，这里Amusi也不想重复，因为显得没有逼格~这里主要简单推荐两篇paper，来凸显一下awesome-object-detection的意义。
TensorFlow-From-Zero-To-One
本文分享一份由Amusi整理的TensorFlow最全资料集锦：TensorFlow-From-Zero-To-One。主要包含TensorFlow入门指南、官方&社区、在线教程、视频教程、书籍资源和实战项目。
https://github.com/amusi/TensorFlow-From-Zero-To-One
CVer计划推出几个深度学习框架的资料集锦，统一命名为：XXX-From-Zero-To-One。下面po一幅深度学习框架发展的重要历史点：
来自MIT Deep Learning
从上图可知，TensorFlow和PyTorch是目前深度学习框架中的扛把子。当然这个大方向基调很早之前就奠定下来了，毕竟TensorFlow是Google家的，PyTorch是Facebook家的。
所以目前已经建立两个开源库：
- TensorFlow-From-Zero-To-One
- PyTorch-From-Zero-To-One
awesome-image-classification
给大家推荐一个图像分类（Image Classification）的最全资料项目。
这是 weiaicunzai 在学习图像分类时，整理的论文和代码等资源合集。其中论文年份是从2014年开始，所列出的论文都是在ImageNet上有一定 TOP1和TOP5 准确度的。
https://github.com/weiaicunzai/awesome-image-classification
这个开源库主要包括以下内容：
- 网络实验数据表格
- 论文&代码
网络实验数据表格
- ConvNet：卷积神经网络名称
- ImageNet top1 acc：该网络在ImageNet上Top1 最佳准确率
- ImageNet top5 acc：该网络在ImageNet上Top5 最佳准确率
- Published In：发表源（期刊/会议/arXiv）
|
ConvNet |
ImageNet top1 acc |
ImageNet top5 acc |
Published In |
|---|---|---|---|
|
Vgg |
76.3 |
93.2 |
ICLR2015 |
|
GoogleNet |
- |
93.33 |
CVPR2015 |
|
PReLU-nets |
- |
95.06 |
ICCV2015 |
|
ResNet |
- |
96.43 |
CVPR2015 |
|
PreActResNet |
79.9 |
95.2 |
CVPR2016 |
|
Inceptionv3 |
82.8 |
96.42 |
CVPR2016 |
|
Inceptionv4 |
82.3 |
96.2 |
AAAI2016 |
|
Inception-ResNet-v2 |
82.4 |
96.3 |
AAAI2016 |
|
Inceptionv4 + Inception-ResNet-v2 |
83.5 |
96.92 |
AAAI2016 |
|
RiR |
- |
- |
ICLR Workshop2016 |
|
Stochastic Depth ResNet |
78.02 |
- |
ECCV2016 |
|
WRN |
78.1 |
94.21 |
BMVC2016 |
|
squeezenet |
60.4 |
82.5 |
arXiv2017 |
|
GeNet |
72.13 |
90.26 |
ICCV2017 |
|
MetaQNN |
- |
- |
ICLR2017 |
|
PyramidNet |
80.8 |
95.3 |
CVPR2017 |
|
DenseNet |
79.2 |
94.71 |
ECCV2017 |
|
FractalNet |
75.8 |
92.61 |
ICLR2017 |
|
ResNext |
- |
96.97 |
CVPR2017 |
|
IGCV1 |
73.05 |
91.08 |
ICCV2017 |
|
Residual Attention Network |
80.5 |
95.2 |
CVPR2017 |
|
Xception |
79 |
94.5 |
CVPR2017 |
|
MobileNet |
70.6 |
- |
arXiv2017 |
|
PolyNet |
82.64 |
96.55 |
CVPR2017 |
|
DPN |
79 |
94.5 |
NIPS2017 |
|
Block-QNN |
77.4 |
93.54 |
CVPR2018 |
|
CRU-Net |
79.7 |
94.7 |
IJCAI2018 |
|
ShuffleNet |
75.3 |
- |
CVPR2018 |
|
CondenseNet |
73.8 |
91.7 |
CVPR2018 |
|
NasNet |
82.7 |
96.2 |
CVPR2018 |
|
MobileNetV2 |
74.7 |
- |
CVPR2018 |
|
IGCV2 |
70.07 |
- |
CVPR2018 |
|
hier |
79.7 |
94.8 |
ICLR2018 |
|
PNasNet |
82.9 |
96.2 |
ECCV2018 |
|
AmoebaNet |
83.9 |
96.6 |
arXiv2018 |
|
SENet |
- |
97.749 |
CVPR2018 |
|
ShuffleNetV2 |
81.44 |
- |
ECCV2018 |
|
IGCV3 |
72.2 |
- |
BMVC2018 |
|
MnasNet |
76.13 |
92.85 |
arXiv2018 |
论文和代码
从 VGG开始，介绍了 GoogleNet、ResNet、Inception系列、DenseNet、Xception、SENet，还有轻量级网络，如：MobileNet、ShuffleNet和IGCV系列。甚至还有最近很火的 NasNet系列网络。每种网络都带有论文链接和多种复现的代码链接。
awesome-semantic-segmentation
给大家推荐一个图像分割（image segmentation）的最全资料项目。
你也许会说，虽然有图像分割这个概念，但一般论文研究都具体到：
https://github.com/mrgloom/awesome-semantic-segmentation
- 语义分割（semantic segmentation）
- 实例分割（instance segmentation）
- 全景分割（panoptic segmentation）
图像分割确实有这三类方向（严格来说，这句话并不准确），而且本文介绍的项目名为：awesome-semantic-segmentation。看起来是语义分割的资料汇总，但里面其实还包含了实例分割、医学图像分割和卫星图像分割等资料，所以我就同一当成图像分割来看了。
这是 mrgloom 大佬整理的图像分割资料，主要包含以下内容：
- 语义分割
- 实例分割
- 数据集
- Benchmark
- 标注工具
- 医学图像分割
- 卫星图像分割
- ...
其中每个部分介绍的都很详细，比如一个论文，会相应介绍其多种复现的开源代码。
语义分割
主要有：U-Net、SegNet、DeepLab系列、FCN、ENet、ICNet、ShelfNet、BiseNet、DFN和CCNet等网络
实例分割
主要有：FCIS、DeepMask、Mask R-CNN 和 PANet 等网络
数据集
主要有：COCO、KITTI 和 ApolloScape等数据集
标注工具
主要有：labelme、labelImgPlus和 labelbox等工具
benchmark_results
给大家推荐一个目标跟踪（object/visual tracking）的最全资料项目：benchmark_results。
https://github.com/foolwood/benchmark_results
该项目主要包含以下内容：
- 目标跟踪思维导图
- OTB实验结果
- Benchmark Results
- 论文和代码
目标跟踪思维导图
一幅"思维导图"纵览目标跟踪各大方向及代表性算法，比如：
- KCF
- CF2
- ECO
- SiamRPN
- SiamFC
- ...
OTB实验结果
以及在常用数据集OTB上的实验结果：
OTB2013
TB-100
TB-50
Benchmark Results
标准度量：AUC 和 Precision
论文和代码
论文质量极高，均以各大顶会论文为主，并且都是最前沿的会议和算法。会议有CVPR2019、AAAI2019、NIPS2018和 ECCV2018。
算法涉及：SiamMask、SiamRPN++、C-RPN、DaSiamRPN、ACT、VITAL、SiamRPN、LSART、DRT和KCF系列等。
Awesome-Crowd-Counting
给大家推荐一个人群密度估计（Crowd Counting）的最全资料项目：Awesome-Crowd-Counting。
https://github.com/gjy3035/Awesome-Crowd-Counting
该项目主要包含以下内容：
- 代码
- 数据集
- 论文
- 排行榜
代码
原作者 Junyu Gao 开源了一个基于PyTorch的人群密度估计库，其名称为：Crowd Counting Code Framework，缩写为 C^3 Framework。该库可以在多种主流数据集上测试，提供很棒的baselines。
https://github.com/gjy3035/C-3-Framework
注：原作者Junyu Gao在CVPR 2019上发表了一篇人群密度估计相关的论文（果然是大佬）。感兴趣的同学可以看一下：
《Learning from Synthetic Data for Crowd Counting in the Wild》
https://arxiv.org/abs/1903.03303
数据集
下面的数据集都是经典常用的，原文中都提供了下载链接，整理的很用心。
- GCC Dataset
- UCF-QNRF Dataset
- ShanghaiTech Dataset
- WorldExpo'10 Dataset
- UCF CC 50 Dataset
- Mall Dataset
- UCSD Dataset
- SmartCity Dataset
- AHU-Crowd Dataset
论文
论文分arXiv上的论文和已发表的顶会/顶刊论文（如CVPR、AAAI、T-PAMI、WACV、ACCV、TIP、ECCV和IJCAI等）
arXiv上的论文
2019 顶会/顶刊论文
2018 顶会/顶刊论文
注：还有2017、2016、2015及以后的论文，此处省略
排行榜
排行榜：不同数据集上不同算法的实验结果。
ShanghaiTech Part A 数据集
ShanghaiTech Part B 数据集
UCF-QNRF 数据集
WorldExpo'10 数据集