摘要： https://github.com/brendenlake http://www.imooc.com/article/details/id/258879 阅读全文

摘要： 迁移学习是包括fine tune等。用于近似任务的迁移。有局限性。 元学习是自动寻找学习参数。学习学习的规律。 强化学习是增强学习，对于新任务。 图像分类和图像识别的区别和联系：https://blog.csdn.net/kk123k/article/details/86584216 图像分类、识别 阅读全文

摘要： 摘要：我们提出了一种不依赖模型的元学习算法，它与任何梯度下降训练的模型兼容，适用于各种不同的学习问题，包括分类、回归和强化学习。元学习的目标是在各种学习任务上训练一个模型，这样它只需要少量的训练样本就可以解决新的学习任务。在我们的方法中，模型的参数被显式地训练，使得少量的梯度步骤和少量的来自新任务的 阅读全文

摘要： Fine Tune顾名思义，就是微调。在机器学习中，一般用在迁移学习中，通过控制一些layer调节一些layer来达到迁移学习的目的。这样可以利用已有的参数，稍微变化一些，以适应新的学习任务。所以说，微调不能适应变化太大的任务迁移。 https://blog.csdn.net/u013841196/ 阅读全文

摘要： 跨摄像头检索 1. 提取行人特征（除脸部特征以外），存入特征数据库。 2. 对新的图像进行重识别，进行特征匹配 深度学习自提取特征。数据集有： 1) VIPeR 2) PRID2011 3) CUHK03 4) Market1501 1. "bounding_box_test" file. This 阅读全文

摘要： 摘要：我们提出了一个使用卷积网络进行分类、定位和检测的集成框架。我们展示了如何在ConvNet中有效地实现多尺度和滑动窗口方法。我们还介绍了一种新的深度学习方法，通过学习预测对象边界来定位。然后通过边界框累积而不是抑制边界框以增加检测置信度。我们证明了使用一个共享网络可以同时学习不同的任务。该集成框 阅读全文

摘要： 行人检测是自动驾驶中重要的内容，对于驾驶安全具有重要意义。 HOG特征提取： (1)灰度化处理 (2)Gamma变换和梯度计算 (3)Cell划分 (4)Cell组成block，归一化处理 (5)block组合，归一化 阅读全文

摘要： 我们提出了一种新的目标检测方法YOLO。先前的目标检测工作重新利用分类器来执行检测。相反，我们将目标检测作为一个回归问题来处理空间分离的边界框和相关的类概率。单个神经网络在一次评估中直接从完整图像预测包围盒和类概率。由于整个检测管道是一个单一的网络，因此可以直接对检测性能进行端到端的优化。 我们的统 阅读全文

摘要： AlexNet是2012年ImageNet竞赛冠军。 它是在CNN的基础上设计的，CNN(卷积神经网络)可谓是现在深度学习领域中大红大紫的网络框架，尤其在计算机视觉领域更是一枝独秀。CNN从90年代的LeNet开始，21世纪初沉寂了10年，直到12年AlexNet开始又再焕发第二春。AlexNet将 阅读全文

摘要： 1999：SIFT 2001：Cascades 2003：Bag of Words 2005：HOG 2006：SPM/SURF/Region Covariance 2007：PASCAL VOC 2008：DPM/Efficient Subwindow Search 2009：HOG-LBP/Im 阅读全文