zyf19930610的专栏

1.一对多（one-versus-one）       速度较快，但是存在缺陷。2.一对一（one-versus-one）       有K个类，则两两一对构造k(k-1)/2个分类器，把待分对象用这些分类器进行判别，最后使用投票法，得票多的类别为最终类别。分类时要使用全部模型进行判别，速度慢，且存在拒分（多种类别得票相同时）。3.有向无环图（DAG-SVM）       类别

1. 主要突破        经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断。       经典的DPM目标检测算法在区域中提取人工设定的特征（Haar，HOG）。本文则需要训练深度网络进行特征提取。可供使用的有两个数据库：       一个较大的识别库（ImageNet ILSVC 2

Ross Cirshick针对R-CNN的改进发表于2015年的ICCV作者给出的代码：有python和C++语言，基于caffe，工程地址 https://guthub.com/rbgirshick/fast-rcnn.R-CNN的缺点：1，是一个多级的pipeline，它有几个单独的流程：1，训练CNN；2训练SVM；3训练bbox。2，训练太过耗费时间与空间(

转自：https://zhuanlan.zhihu.com/p/22252270前言（标题不能再中二了）本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。SGD此处的SGD指mini-batch gradient descent，关于batch gradient descent, stochasti

转自：http://blog.youkuaiyun.com/u012162613/article/details/442399191.从方差代价函数说起代价函数经常用方差代价函数（即采用均方误差MSE），比如对于一个神经元（单输入单输出，sigmoid函数）,定义其代价函数为：其中y是我们期望的输出，a为神经元的实际输出【 a=σ(z), where z=wx+b 】。

Reference link: http://blog.youkuaiyun.com/tangwei2014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

见链接： http://blog.youkuaiyun.com/zy1034092330/article/details/62044941

转自 http://blog.youkuaiyun.com/smf0504/article/details/52745070一句话形容SSD：借鉴faster rcnn中anchor boxes的multi-scale版本的YOLOPreface这是今年 ECCV 2016 的一篇文章，是 UNC Chapel Hill（北卡罗来纳大学教堂山分校） 的 Wei Liu 大神

见链接  http://blog.youkuaiyun.com/u014380165/article/details/77019084