Focusing on your own Mind :) －> 站在巨人的肩膀上

PS：一直以来对SVD分解似懂非懂，此文为译文，原文以细致的分析+大量的可视化图形演示了SVD的几何意义。能在有限的篇幅把 这个问题讲解的如此清晰，实属不易。原文举了一个简单的图像处理问题，简单形象，真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理 解，比如 个性化推荐中应用了SVD，文本以及Web挖掘的时候也经常会用到SVD。原文：We recommend a si

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal NetworksShaoqing Ren, Kaiming He, Ross Girshick, Jian Sunreference link：http://blog.youkuaiyun.com/liumaolincycle/article/details/

reference link：http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51066975Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更带领团队获得终身成就奖，如今供职于Facebook旗下的FAIR。 这篇

论文阅读笔记：Fully Convolutional Networks forSemantic Segmentation这是CVPR 2015拿到best paper候选的论文。论文下载地址：Fully Convolutional Networks forSemantic Segmentation

转自:http://blog.youkuaiyun.com/shadow_guo/article/details/51767036作者代季峰 1，14年毕业的清华博士到微软亚洲研究院的视觉计算组，CVPR 16 两篇一作的会议主持人同时公布了源码~ 21. 简介物体检测的深度网络按感兴趣区域 (RoI) 池化层分为两大主流：共享计算的全卷积子网络 (每个子网络与 RoI 无关) 和

Reference link: http://blog.youkuaiyun.com/whiteinblue/article/details/43374195https://www.zybuluo.com/coolwyj/note/203086#1-classification    本文是纽约大学Yann LeCun团队中Pierre Sermanet ，David Eigen和张翔等在

这是继RCNN，fast-RCNN 和 faster-RCNN之后，rbg（Ross Girshick）大神挂名的又一大作，起了一个很娱乐化的名字：YOLO。 虽然目前版本还有一些硬伤，但是解决了目前基于DL检测中一个大痛点，就是速度问题。 其增强版本GPU中能跑45fps，简化版本155fps。

reference link：http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51152614http://blog.youkuaiyun.com/xyy19920105/article/details/50817725思想从RCNN到fast RCNN，再到本文的faster RCNN，目标检测的四个基本步骤（候选区域生成，特征

CNN网络需要固定尺寸的图像输入，SPPNet将任意大小的图像池化生成固定长度的图像表示，提升R-CNN检测的速度24-102倍。固定图像尺寸输入的问题，截取的区域未涵盖整个目标或者缩放带来图像的扭曲。事实上，CNN的卷积层不需要固定尺寸的图像，全连接层是需要固定大小输入的，因此提出了SPP层放到卷积层的后面，改进后的网络如下图所示：SPP是BOW的扩展，将图像从精细空间划分到粗糙

基于R-CNN的物体检测一、相关理论   本篇博文主要讲解2014年CVPR上的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmenta

rcnn主要作用就是用于物体检测，就是首先通过selective search 选择2000个候选区域，这些区域中有我们需要的所对应的物体的bounding-box，然后对于每一个region proposal 都wrap到固定的大小的scale,224*224,对于每一个处理之后的图片，把他都放到CNN上去进行特征提取，得到每个region proposal的feature map,这些特征

Reference link:http://caffecn.cn/?/question/160Question:我只知道，输入检测到的box，回归的是检测到box中心点，以及box长和宽到标记的box的映射。看过rcnn的回归的过程，就是把那个loss函数最小。但这个红框里面的loss函数 谁能解释下-----------------------------

之前一直想总结下SSD，奈何时间缘故一直没有整理，在我的认知当中，SSD是对Faster RCNN RPN这一独特步骤的延伸与整合。总而言之，在思考于RPN进行2-class分类的时候，能否借鉴YOLO并简化faster rcnn在21分类同时整合faster rcnn中anchor boxes实现multi-scale的思想而设计出了SSD，这篇blog关于SSD的细节方面整理的很好，以供参考。

reference:http://blog.youkuaiyun.com/sinat_30071459/article/details/507232120.文件夹名首先，确定你的数据集所放的文件夹名字，例如我的叫logos。（或者和voc2007一样的名字：VOC2007）1.图片命名虽然说图片名对训练没什么影响，但建议还是按VOC2007那样，如“000005

Let’s say I give you a bunch of images that contain one or more people, and I give you bounding boxes for each one. Your classifier will need both positive training examples (person) and negative train

一、Nms主要目的          在物体检测非极大抑制应用十分广泛，主要目的是为了消除多余的框，找到最佳的物体检测的位置。如上图中：虽然几个框都检测到了人脸，但是我不需要这么多的框，我需要找到一个最能表达人脸的框。下图汽车检测也是同样的原理。非极大值抑制因为一会儿讲RCNN算法，会从一张图片中找出n多个可能是物体的矩形框，然后为每个矩形框

reference link：http://closure11.com/rcnn-fast-rcnn-faster-rcnn%E7%9A%84%E4%B8%80%E4%BA%9B%E4%BA%8B/RCNN -> Fast-RCNN -> Faster-RCNN这里不得不先提的就是为什么会有RCNN这一系列的检测算法，以及为什么它们会被称为深度对象检测的开山之作，我们知道，

Faster_rcnn+YOLO: 1.http://closure11.com/rcnn-fast-rcnn-faster-rcnn%E7%9A%84%E4%B8%80%E4%BA%9B%E4%BA%8B/ 2.http://blog.cvmarcher.com/posts/2015/06/10/Notes-for-Faster-R-CNN-and-YOLO/

reference link:http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51036677论文出处见：http://arxiv.org/abs/1504.08083项目见：https://gith