摘要： 忽略掉文本的语法和语序等要素，将其仅仅看作是若干个词汇的集合，文档中每个单词的出现都是独立的。 1：Bob likes to play basketball, Jim likes too. 2：Bob also likes to play football games. 基于这两个文本文档，构造一个 阅读全文

摘要： todo 阅读全文

摘要： 原文叫Deconvolution，成为反卷积，但反卷积原意是卷积的逆运算，有人指出应该叫transposed convolution，即转置卷积 kernel size = 3, stride = 1的反卷积，input是2×2, output是4×4，虚线表示padding kernel size 阅读全文

摘要： 交替训练Alternating training 第一步，我们训练RPN，该网络用ImageNet预训练的模型初始化，并端到端微调； 第二步，我们利用第一步的RPN生成的候选框，由Fast R-CNN训练一个单独的检测网络，这个检测网络同样是由ImageNet预训练的模型初始化的，这时候两个网络还没 阅读全文

摘要： ROI pooling是为了解决，RPN给提供的候选框形状大小不一致的问题。 阅读全文

摘要： 此代价函数有2个特点： 1，将分类损失值与回归误差值都包含在内 2，回归损失值乘以pi*，即只对包含目标的anchor计算误差。 此外，计算bbox误差时，不是比较四个角的坐标，而是tx，ty，tw，th，具体计算如下： 阅读全文

摘要： 一、RPN网络结构 虚线之上，是RPN结构之前的网络结构，可以替换为VGG、ResNet等 假如输入图像是1000*600，则经过了几次stride后，map大小缩小了16倍，最后一层卷积层输出大约为60*40大小，那么相当于用3*3的窗口滑窗（注意有padding），对于左边一支路而言，输出18个 阅读全文

摘要： 作者： DenseNet 的想法很大程度上源于我们去年发表在 ECCV 上的一个叫做随机深度网络（Deep networks with stochastic depth）工作。当时我们提出了一种类似于 Dropout 的方法来改进ResNet。我们发现在训练过程中的每一步都随机地「扔掉」（drop） 阅读全文

摘要： 一、结构 网络每一层的输入都是前面所有层输出的并集，而该层所学习的特征图也会被直接传给其后面所有层作为输入。 二、作用 有效解决梯度消失问题 阅读全文

摘要： 一、结构 二、作用 1.在网络继续加深时，在训练集上的效果反而下降，而这不是过拟合引起的，因为过拟合会导致在训练集上效果很好。 2.考虑残差结构的梯度表达式，xl表示该层的输入，xL表示该层的输出。下式最后一项求导的分子和分母写反了 梯度表达式原本是连乘的形式，残差结构相当于将每层里的乘法变成了加法 阅读全文