聚集机器学习、信息安全

YOLO（You Only Look Once）算法名称颇为文艺，中文可译作一见倾心。YOLO则采用直接回归的思路，相对于R-CNN系列的"看两眼"：物体类别（分类问题），物体位置即bounding box（回归问题），YOLO只需要Look Once。其核心思想就是将整张图作为网络的输入，直接在输出层回归bounding box的位置和bounding box所属的类别。本文介绍了从YOLO v1到v4算法的基本情况。

机器学习领域的五本经典书籍推荐。

从1到N：构建多层神经网络

CNN简介：卷积、池化、全连接1. CNN组成（1）Types of layer in a CNN（2） Why CNN2. Convolutional Layer（1）CNN Unit（2）Zero-Padding（3）Forward pass3. Pooling layer（1）WHY Pooling（2） Two types of pooling layers（3）Forward Pooling4. FC Layer

Yann LeCun于1998年在论文《LeCun et al., 1998. Gradient-based learning applied to document recognition》提出LeNet-5，它是第一个成功应用于手写数字识别问题的卷积神经网络。

2012年，Alex Krizhevsky, Ilya Sutskever和Geoffrey E. Hinton在论文《ImageNet Classification with Deep Convolutional Neural Networks》中提出AlexNet，夺得ILSVRC 2012的冠军。

2014年，Karen Simonyan, Andrew Zisserman在《Very Deep Convolutional Networks For Large-Scale Image Recognition》提出VGG-16，夺得ILSVRC 2014的亚军。

2014年，谷歌的Szegedy等人在《Going deeper with convolutions》提出GoogLeNet（据说是为了致敬“LeNet）。GoogLeNet通过Inception结构实现。

2015年，Kaiming He在《Deep Residual Learning for Image Recognition》提出ResNet，将网络深度提升到152层，夺得 ILSVRC 2015的冠军。

目标检测(object detection)：在图像分类的基础上，找到具体位置，通常是以包围盒的(bounding box)形式，其图像中出现的目标种类和数目都不定。主要算法包括基于候选区域（regin proposal）和基于端到端（end to end）两类方法。本文主要介绍基于候选区域（regin proposal）的算法，包括R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN。