awesome 整理的GitHub项目整理清单（必看！！！）

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）

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