SalaFeng的博客

本文提出依靠检测器自身不断改进训练样本质量，不断增强检测器性能的一种全新方法，破解弱监督目标检测问题中训练样本质量低的瓶颈。Weakly Supervised Objection Localization——弱监督目标定位 也就是说我们训练的图像只有针对图像的【注释】，没有包含物体的矩形框，入论文中的图片所示： 可以很显然的看出，这种无矩形框的弱监督学习要比有矩形框的学习 难很多。 本

随着cnn的发展，尤其是VGG网络提出以后，大家发现网络层数是网络的一个关键因素，似乎越深的网络效 果越好。 但是随着网络层数的增加，也出现了梯度消失或者发散。从而导致训练难以收敛。 随着normalized initialization && intermediate normalization layers的提出解决了这个问题。 但是于此同时，随着网络深度的...

Inception v1\v2\v3\v4创新点总结： Inception v1 (GoogleNet) 2014 Inception v2 (Batch Norm) 2015 Inception v3 (Factorization) 2015 Inception v4 (ResNet) 2016 一、GoogLeNet Incepetion V1为了解决...

本文参考博客如下： yolo代码分析 You Only Look Once: Unified, Real-Time Object Detection 晓雷机器学习笔记-图解YOLO 视觉随笔-YOLO详解-赵丽丽 R-CNN 利用selective search 提出的 region proposals 结合卷积神经网络，通过R-CNN、SPP-net、Fast R-CNN

发展流程： RCNN->SPPnet->Fast-RCNN->Faster RCNN->YoLo RCNN: RCNN可以看做是 RegionProposal+CNN这一框架的开山之作，在imgenet/voc/mscoco上基本上所有top的方法都是这个框架。RCNN的主要缺点是重复计算。 SPPnet：MSRA的kaiming组的SPPnet 对RCNN重复计算的缺点，做出了相应

Faster R-CNNEnd-to-End      首先要理解一下，什么是端对端。端对端的概念很简单，就是输入的是原始数据，输出的是最终的结果。且网络从头到尾是可导的       为什么会有端对端这个概念，在图像处理问题上，原先的输入端并不是直接的数据，因为原始数据像素点太多，数据维度过高，会产生维度灾难，所以在输入之前，先将原始数据提取特征值，进行降维。       特征提取的好坏异常关键

Faster-RCNNreference link： 晓雷机器学习笔记 xyy19920105博客——目标检测——从RCNN到Faster RCNN 串烧 RCNN、SPP-net的流程 上图分别为RCNN和SPP-net CNN提取特征的流程，在此之后都将通过SVM分类 以及 Bbox回归 所以可以看出，RCNN和SPP-net在训练pipeline是隔离的：提取proposal->cnn

reference link：https://zhuanlan.zhihu.com/p/24774302 reference link：http://blog.csdn.net/u011534057/article/details/51219959SPPnet

RCNN-Rich feature hierarchies for accurate object detectionreference link1:http://blog.csdn.net/wopawn/article/details/52133338 reference link2: http://blog.csdn.net/shenxiaolu1984/article/details/51066975

原先模型小型化工作的焦点，放在模型尺度上。卷积核分解，使用1×N 和N×1的卷积核代替N×N的卷积核使用bottleneck 结构，以SqueezeNet为代表以低精度浮点数保存冗余卷积核剪枝以及哈夫曼编码depthwiseseparable convolutions的本质是冗余信息更少的稀疏化表达。在此基础上给出了高效模型设计的两个选择：宽度因子（width multi...