孙佰贵的专栏

论文《Color Transfer Based on Normalized Cumulative Hue Histograms》（在代码中对应类HistogramCT.h）的算法流程是：1.首先调用InitData();初始化数据。2.调用hist_rH = HistogramModeling();得到直方图比对后生成的H维（色调）值。3.调用cvMerge(hist_rH,

MSRA的深度残差网络在2015年ImageNet和COCO如下共5个领域取得第一名：ImageNet recognition, ImageNet detection, ImageNet localization, COCO detection, and COCO segmentation。文章：Deep Residual Learning for Image Recognition; 代码：https://github.com/KaimingHe/deep-residual-networks

一、简介如果将googlenet称之为google家的inception v1的话，其Batch Normalization（http://arxiv.org/pdf/1502.03167v3.pdf）文章讲的就是BN-inception v1。它不是网络本身本质上的内容修改，而是为了将conv层的输出做normalization以使得下一层的更新能够更快，更准确。二、

googlenet和vgg是2014年imagenet竞赛的双雄，这两类模型结构有一个共同特点是go deeper。跟vgg不同的是，googlenet做了更大胆的网络上的尝试而不是像vgg继承了lenet以及alexnet的一些框架，该模型虽然有22层，但大小却比alexnet和vgg都小很多，差不多20m的样子。

最近大家比较关心的围棋人机大战（google alphago深度学习+蒙特卡洛搜索算法 vs 李世石）中，google deepmind基于Nature2016文章的alphago算法在5局制的比赛中已经取得了3-1的成绩提前锁定了胜局。本文扒了一下google deepmind在该领域的一些文章，揭示了google alphago的算法技术演变历程。

一、Image Classification(Recognition)lenet: http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdfalexnet: http://www.cs.toronto.edu/~fritz/absps/imagenet.pdfoverfeat: http://arxiv.org/pdf/1312.6229v

最近在做2D转3D的东西，结果发现坐标系每次都要花些时间去确定下，故在此总结下。1.OpenGL坐标系：默认的OpenGL视点都是指向Z轴负方向。2.相机局部坐标系：因为常用的相机局部坐标系和OpenGL的坐标系是不同的，故用OpenGL显示的时候，要特别注意这点。3.常用的图片存储和读取坐标系，以及MFC窗口的坐标系：4.C

论文《Color Transfer Between Images》的算法流程是： 1.首先InitData();由输入图片和参考图片得到输入图片的rgb向量数组image_sV，同理得到参考图片的rgb向量数组image_tV。2.调用TransferRGB2LAB(image_sV, height_s,width_s );函数根据论文将输入图片从rgb空间转化到LAB空间，同理将参考

inception v2与inception v3两种模型配置。Inception v3单模型达到了21.2%的top1错误率，多模型达到了17.3%的top1错误率