原创 目標檢測--Fast R-CNN講解
參考：https://blog.csdn.net/WoPawn/article/details/52463853 1 R-CNN的主要問題 1.CNN對selective search推薦的每一個區域進行一次特徵提取，需要對一張圖片進行1
2020-06-14 10:40:36
原创 目標檢測算法綜述 檢測組件 學習策略 應用及Benchmarks 1.傳統方法 2.深度學習方法 檢測組件 特徵描述 學習策略 測試階段 目標檢測未來可能研究方向
參考：https://mp.weixin.qq.com/s/S1IrgEqS1Q4xqGl5adNrlg 目標檢測維度 檢測組件 檢測設置：Bounding Box 與像素 Mask 檢測範式：兩階段法與一階段法 推薦區域生成方法：傳統
2020-06-14 10:40:36
原创 持續性學習整理 解決方法1：訓練方法（是否適用dropout） 解決方法2：新方法
參考：https://mp.weixin.qq.com/s/K-_bsOzgWylPzvjcD1laHA 人類的學習具有持續性學習的特點，即掌握的舊知識有助於學習學知識，而學習完新知識後不會影響對舊知識的掌握。但神經網絡卻天然存在遺忘性問題
2020-06-14 10:40:36
原创 歸一化方法整理
參考： https://mp.weixin.qq.com/s/2VmgcEZGxSYVMBTGOPADJA https://blog.csdn.net/Fate_fjh/article/details/53375881 目前最主流的歸一化方
2020-06-14 10:40:36
原创 異常檢測論文整理
Unsupervised Detection of Lesions in Brain MRI using constrained adversarial auto-encoders 用VAE或者AAE結構首先對正常圖像進行訓練，學習正常
2020-06-14 10:40:36
原创 模型輕量化方法總結 網絡剪枝 權值量化 低秩近似 知識蒸餾 高效網絡結構
網絡剪枝 剪枝目的在於找出網絡冗餘連接並移除。由於全連接的連接冗餘度遠高於卷積層，傳統的剪枝多在全連接層對冗餘神經元及連接進行移除。雖然移出的神經元及連接對結果影響不大，但仍會對性能造成影響，常見方法爲對剪枝後的模型進行微調，剪枝與微調交替
2020-06-14 10:40:36