跟随技术的脚步-linolzhang的专栏

一. 技术背景       一般情况下，CNN网络的深度和效果成正比，网络参数越多，准确度越高，基于这个假设，ResNet50（152）极大提升了CNN的效果，但inference的计算量也变得很大。这种网络很难跑在前端移动设备上，除非网络变得简洁高效。       基于这个假设，有很多处理方法，设计层数更少的网络、更少的卷积和、每个参数占更少的字节，等等。       前面讲过的 PVANet、

1. VQA       Visual Question Answering，给出一张图片，就该图片提出任何问题？自动get到你所期望的答案。这属于Visual Reasoning 的范畴，学者们不满足于传统的图像识别、分割、Caption等工作，尝试去挖掘更高级的机器推理能力。来看解决思路，CNN、LSTM(RNN)、Attention Model、BOW，都是图像、文本、NLP领域的通用手法，

对抗网络之目标检测应用：A-Fast-RCNN       论文：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 【点击下载】       Caffe代码：【Github】一. 深度学习正确的打开方式       深度学习的根基在于样本，大量的样本决定了深度网络的精确度和收敛性，针对样本的挖掘是深度学

一. PVANet       论文：PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection    【点击下载】       Caffe代码：【Github】       设计了一种轻量级的网络，取名叫 PVANet，特点是 Channel少、Layer多，在 VOC2007 和 VOC2012  精确

一. 提出背景       目标检测在图像处理领域有着非常大的占比，过去两年，深度学习在Detection的持续发力，为这个领域带来了变革式的发展：一方面，从 RCNN 到 Fast RCNN，再到 Faster RCNN，不断刷新 mAP；另一方面，SSD、YOLO 则是将性能提高到一个非常高的帧率。       对于视频来讲，相邻帧目标之间存在 明显的上下文关系，这种关系在技术上的表现就是 T

一. 人工智能应用领域1. 计算机视觉    生物特征识别：人脸识别、步态识别、行人ReID、瞳孔识别；    图像处理：分类标注、以图搜图、场景分割、车辆车牌、OCR、AR；    视频分析：安防监控、智慧城市；2. 自然语言处理    语音识别（Siri、Cortana、讯飞）、文本数据挖掘、文本翻译；3. 数据挖掘    消费习惯、天气数据、推荐系统、知识库（专家系统）；4. 游戏    角

一. 了解迁移学习       迁移学习（Transfer Learning）目标是将从一个环境中学到的知识用来帮助新环境中的学习任务。            > The ability of a system to recognize and apply knowledge and skills learned in previous tasks to novel tasks。

一. 深度学习及其适用范围       大数据造就了深度学习，通过大量的数据训练，我们能够轻易的发现数据的规律，从而实现基于监督学习的数据预测。               没错，这里要强调的是基于监督学习的，也是迄今为止我在讲完深度学习基础所给出的知识范围。       基于卷积神经网络的深度学习（包括CNN、RNN），主要解决的领域是 图像、文本、语音，问题聚焦在 分类