hjl240的专栏

作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian SunSPP—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 GirshickICCV 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 proposals2.     对这些region proposals进行CNN训练，提取特征向量

对应论文：Understanding and Diagnosing Visual Tracking Systems        对于目前的追踪系统评估系统主要有Online tracking benchmark (OTB)，the Visual object tracking challenge (VOT)等，这些评估系统主要评估追踪系统的准确率和鲁棒性等。但是，这些评价标准却很难理解和