神经网络与深度学习课程总结三：基本卷积神经网络、数据集、任务评价指标和目标检测与YOLO

神经网络与深度学习课程总结三：基本卷积神经网络、数据集、任务评价指标和目标检测与YOLO

---

本周的课程总结接着上周的内容继续，内容主要包括：基本卷积神经网络、数据集、任务评价指标和目标检测与YOLO。

---

一、基本卷积神经网络

1 AlexNet

1.1 网络提出

1.2 网络结构

1.3 网络说明

1.4 网络改进策略

1.4.1 输入样本

1.4.2 激活函数

1.4.3 Dropout

1.4.4 双GPU策略

---

2 VGG-16

2.1 网络提出

2.2 网络结构

2.3 网络说明

---

3 残差网络（ResNet）

3.1 为什么需要残差网络

非残差网络的缺陷

残差网络的优势

梯度消失问题

3.2 构建残差网络

为解决该问题，考虑在隔一层的神经元之间加入一个“skip connection”，如图所示

使得各层输出变为如下形式

目前较常见的为两层构成一残差块，如图

经验证，此种结构可以有效地在层数增加时降低training error，相较于传统结构在层数增加时易出现training error上升有一定优势。

---

二、深度学习与视觉应用

1 常用数据集

1.1 MNIST

1.2 CIFAR 10数据集

1.3 PASCAL VOC数据集

1.4 MS COCO数据集

1.5 ImageNet

1.6 JFT-300M

---

2 评价指标

2.1 精确率与召回率

2.2 平均精度

---

3 目标检测与YOLO

3.1 目标检测问题

3.2 分类问题与目标检测

目标检测输出表达：

3.3 目标检测技术发展