乱七八糟的笔记

0.摘要本网络能够让网络层数增加的同时，识别率不下降。神经网络没有证明，所以你看论文不能忽略作者的introduction以及related work，更重要的是实验，因为没有数学证明，实践证明又不严谨的话，就是一个笑话。所以产业化也不容易。（所以要学习大牛们是怎么做试验的）图片来自论文，版权归作者所有。1.网络越深为什么错误率上升了首先我们有个浅层网络训练好的，然后我们往上增加层数，假设这个层是...

不会再写基础的东西。因为已经是第六篇论文了。arXiv:1511.07122 [cs.CV]Published as a conference paper at ICLR 2016我现在很喜欢读introduction以及literature review，因为很多观点都是总结。比如这篇文章认为传统的conv+pooling的结构用于图片分类效果很好，现在人们想要做dense prediction...

这篇文章的创新点在于他的依据。网络多多少少都要找一些理由说明我们为什么比以前好使了一丢丢。涉及两个依据：MMD分布距离测量+memory attention mechanism.MMD测量两个分布的距离，分布来自于符合两个不同分布的样本点集，所以可以用来人脸识别。一个样本点集包含了这个人不同表情，不同角度的照片，或者干脆是是视频截取的很多帧。这些照片的共同点就是他是张三的照片，符合张三的分布。作者...

摘要作者认为，监督只作用于输出层，并没有作用于隐含层给隐含层每个神经元一个特定的标签，只被相同标签的输入信号激活计算每个神经元的错误差值，和类别错误差值结合这就是本论文的目标函数减轻梯度消失和更快收敛使得最新的隐含层输出的feature更具有分辨力可用于视频，也可以推广到图像，很容易融合进其他网络算法...

  在retrival的任务中经常会用到。

TIP2018的right @IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 27, NO. 2, FEBRUARY 2018吸引我的是其中应用的metric learning。我一直以为，metric learning其实和传统的dense prediction以及各种CNN背后的东西是一致的。你现在有这些东西，比方说一堆图片，那么机器怎么看待它们之间的差...

看了一天EM算法，做了ppt。总结一下。第一篇教程很基础，可以看前部分，回忆一下概率论。第二篇教程很理论，讲的很清楚，挺好看。由于我做的事GMM所以我又结合了这篇教程。下面两篇是实现：https://blog.youkuaiyun.com/abcjennifer/article/details/8198352http://blog.pluskid.org/?p=39如果自己用，或者想参考，可以看下。最后总结E...

2010，nips摘要方向直方图的核观点等价于对image patchs计算特定种类的match kernel把像素的特征，团起来给patch这个特定种类有三种再把这个match kernel 用kernel principle component analysis(KPCA)压缩下维度，别那么大，成为我们的主角，核描述子优点就是核描述子易于设计，并且任何类型的像素级特征都能转化成核描述子Intr...