斯坦福李飞飞cs231n 2.2K-最近邻算法 根据在测试集上效果好设置超参数也是坏的，因为还是不知道在未知的数据上的表现。超参数不能通过训练得到最好的，要根据具体问题分析。区别是坐标系改变对L2没影响。
李飞飞cs231n 2.1数据驱动方法 一些的尝试是找到图片中的线条或者拐角，识别一个物体具有的特征。当环境发生一点改变的时候，计算机看到的就会发生巨大改变。语义鸿沟：我们定义的类别和计算机看到的有巨大的差别。缺点是容易出错，每个物体都要有一套规则。对比测试数据和哪个最接近。但它仍然是那个物体。
李飞飞cs231n计算机视觉1.2计算机视觉历史背景 imagenet，2012显著下降，cnn。自从生物发展出了眼睛，生物数量急剧增长。随着年代的变化，图片的质量一直在变。这些都是停留在简单阶段的尝试。再是2.5维草图，开始拼凑。一人写了本书介绍视觉系统。66年第一篇博士论文。先是草图，边缘，线条。全部放在一起就是3D。
领域自适应 把网络分为特征提取器和标签分类器，让源数据和目标数据生成的特征分布一样。找到一个特征提取器，对训练和测试资料经过处理之后忽略不同的部分。L：分类越正确越好，Ld：分辨越正确越好，：让L越小越好，Ld越大越好。训练和测试数据有不同分布。
Rich feature hierarchies for accurate object detection and semantic segmentation论文笔记 文献的研究目的是为了提高对象检测和语义分割的准确性，特别是在PASCAL VOC这样的标准数据集上。研究的核心是提出一种名为R-CNN（Regions with CNN features）的新型算法，该算法通过结合区域提议和卷积神经网络（CNN）来实现更精确的对象定位和分类。研究方法包括以下几个关键步骤：1. **区域提议提取**：- 使用自底向上的方法，如Selective Search，从图像中提取可能包含对象的区域提议。这些提议作为后续处理的输入。
Fast R-CNN论文阅读笔记 原始网络中的最后一个最大池化层被替换为一个RoI（区域感兴趣）池化层。这个RoI池化层被配置为设置H和W的值，以确保与网络的第一个全连接层兼容（例如，对于VGG16，H和W都设置为7）。
来自人类的恶意攻击 正确率高还不够，需要识别人类的欺骗。加入杂讯，攻击分为有无目标的攻击。根据有无目标设定Loss函数，杂讯还应该尽可能不被人察觉。有两种方式计算怎么样才算不被人察觉。一种是原来的像素平均下来差异小，一种是只看哪个像素差异最大。
《计算机视觉中的机器学习：综述》论文笔记 主要有两种类型：模拟图像处理和数字图像处理。关键因素是：1 图像获取2 操控和分析图像3 输出分析后的图像在模拟图像处理中，只能用基础的视觉技术来分析图像。数字图像处理遵循以下三个规则：1 预处理2 增强3 提取信息第一步是把RGB转换成灰度，还有各种预处理、
生成式对抗网络（GAN） 我们的目标是让Generator生成的分布和真实的数据越像越好，但是这个距离很难衡量。训练Discriminator的目标是让它能分辨出哪些是G生成的数据，哪些是真实的数据。而跟JS divergence有关。所以有了以下式子：换个distance计算。
关注
