hjl240的专栏

CIFAR-10数据集含有6万个32*32的彩色图像，共分为10种类型，由 AlexKrizhevsky, Vinod Nair和 Geoffrey Hinton收集而来。包含50000张训练图片，10000张测试图片。 这是该数据集的一些图片。

作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun SPP—Net 提出背景：          由于CNN的输入需要固定大小的图片（比如224*224），而固定大小的图片是通过将原始图片crop或者wrap得到的，这样，会使原始图片几何失真，最终会使网络训练的准确率下降。          crop或者wrap产生的图片效果如

ResNet网络，本文获得2016 CVPR best paper     本篇文章解决了深度神经网络中产生的退化问题（degradation problem）。什么是退化问题呢？如下图：           上图显示，网络随着深度的增加（从20层增加到56层），训练误差和测试误差非但没有降低，反而变大了。然而这种问题的出现并不是因为过拟合（overfitting

作者：Ross Girshick ICCV 2015            FastRCNN是RCNN和SPPnet的改进版。Fast RCNN在训练的时候比RCNN快9倍，比SPPnet快3倍；测试的时候比RCNN快213倍，比SPPnet快10倍。最后在PASCAL VOC 2012上达到66%的mAP。 RCNN与SPPnet存在的缺点 1.      训练是多阶段的。先提pr

CVPR2014   物体检测算法，R-CNN，即Regions with CNN features。该论文采用的方法在PASCAL VOC 2010上mAP达到53.7%，比之前传统的方法要高很多。   论文总体思路可以分成3个步骤： 1.     产生大约2000个region proposals 2.     对这些region proposals进行CNN训练，提取特征向量

对应论文： You Only Look Once: Unified, Real-TimeObject Detection   第一步，安装Darknet。 1.      安装基本系统Installing The Base System 依次输入如下命令： git clone https://github.com/pjreddie/darknet.git cd darknet make