图像神经网络项目积累

1. TensorFlow-Slim

https://github.com/tensorflow/tensorflow/tree/2f47a9124a8ba9b764a835b70d67b88369f2d403/tensorflow/contrib/slim

2. tensorflow detection model zoo

 https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md

3. VGG

https://blog.csdn.net/huangfei711/article/details/80484488

4. 训练好的vgg net，在深度学习课程中用来做transfer learning，项目在这里。transfer learning的注意。使用的是flower数据。

5. 以kears-yolov3做detector，以Kalman-Filter算法做tracker，进行多人物目标追踪。将model运用到具体应用中。

6. Yolo transfer learning 官方教程 

7. Yolo原理

    物体检测处理成回归问题，特点是unified detection

    Batch Normalization 简单理解为可以避免卷积处理后数据分布差异太大造成的截断误差。在卷积层之后，激活函数之前。

    leaky relu.输入为负处激活函数的输出不是0，简单地relu输出是0.使用leaky relu可以避免relu在数字到达0以下时神经元失去求解梯度功能的情况。

    残差网络（Residual Net）：没有残差网络时，神经网络学习的量可能本身是1200,然后再1201,1203变化。 有了残差网络之后可能将1200分成一个1200，然后网络学习的只是-1,0,1这样的变化量，这样的好处是放大了变化，使得网络的变化更为灵敏。这是李宏毅老师解释的。典型例子：ResNet，每隔几层就做一次残差。

   Yolov3框图

   unified detection不是很多步结合的检测，