学习过程中看到的优质博文记录（图像计算机视觉方面）

（1）Bag of words（BoW）“词袋”算法原理，对图像提取到的特征进行编码，消除冗余信息，获取相同的特征矢量长度。可以用于后续分类。（注意：视觉词汇之间没有顺序）

https://blog.csdn.net/tiandijun/article/details/51143765

常常使用的方式是首先提取sift视觉词汇向量，然后通过k-means算法合并相似的视觉词汇，最后统计每一副图像中的视觉词汇数量，形成词汇向量。
在图像中也称为bag of features（BOF）。

（2）匈牙利算法，当每个目标可以和多个目标进行匹配，但是每一个目标只能匹配一次，如何使得匹配的线路最多

https://blog.csdn.net/dark_scope/article/details/8880547

（3）深度学习和机器学习中常见的过拟合问题，从原理上介绍了几种正则化方法，用于防止数据过拟合。

https://blog.csdn.net/u012162613/article/details/44261657

过拟合方法包括：early stop，数据增强（Data augmentation），正则化(Regularization，包括L1，L2，L2正则化也叫权重衰减)，随机失活（dropout）。

（4）深度网络中的BN（batch normalization）层的作用，BN层几乎成为了深度网络的标配(conv，bn，relu)。在深度网络中的训练过程中，输入分布常常发生偏移，向着非线性激活函数的取值区间的两端靠近，这样导致后面的梯度消失，收敛速度减慢。BN将其将每一层的输入值转变成标准正态分布，这样使得激活输入值落在非线性函数对输入比较敏感的区域，产生更大的梯度。

https://blog.csdn.net/malefactor/article/details/51476961

（5）随机失活（dropout），随机失活（用在全连接层）能够有效地防止数据过拟合，一般认为随机失活应用了模型的集成思想。从另一方面考虑，我认为随机失活和数据增强中扣除部分图像十分类似，不同的是随机失活在特征图上进行，扣除部分图像在原始图像上进行，随机失活每次训练都从选择部分特征图进行训练，也相当于增大了训练集。

（6）记录一个博客大牛，计算机视觉，图像处理，深度学习，机器学习

https://blog.csdn.net/zouxy09/article/details/14222605

（7）梯度下降的时候增加动量进行更新参数，当连续参数下降方向一致的时候，增加参加下降速度

https://blog.csdn.net/qq_29462849/article/details/80625063

（8）pytorch中如何使用多GPU训练

https://blog.csdn.net/daydayjump/article/details/81158777
https://blog.csdn.net/u013828589/article/details/79963685