1.网络结构模式2.MAC地址3.IP地址4.端口5.网络模型6.协议7.网络通信的进程

Quartus工程经过全编译后会产生Handoff文件夹、SOPCINFO文件、SVD文件，通过信息交换文件Handoff文件生成Preloader镜像文件，通过.sopcinfo文件生成设备树

SSD算法SSD(Single Shot MultiBox Detector)是one-stage目标检测方法，one-stage算法就是目标检测和分类是同时完成的，其主要思路是利用CNN提取特征后，均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，物体分类与预测框的回归同时进行，整个过程只需要一步，所以其优势是速度快。SSD网络模型输入图像shape为300x300x3(将图像

ResNet网络详解

深度学习学习笔记导师博客：https://blog.csdn.net/qq_37541097/article/details/103482003导师github:https://github.com/WZMIAOMIAO/deep-learning-for-image-processing代码用的导师的，自己又加了些备注，就放在自己的github里了：https://github.com/Petr

深度学习学习笔记导师博客：https://blog.csdn.net/qq_37541097/article/details/103482003导师github:https://github.com/WZMIAOMIAO/deep-learning-for-image-processing代码用的导师的，自己又加了些备注，就放在自己的github里了：网络是以LeNet网络搭建的，文件分为三部分：

1.GoogLeNet网络详解网络中的创新点：（1）引入了Inception结构（融合不同尺度的特征信息）（2）使用1x1的卷积核进行降维以及映射处理 （虽然VGG网络中也有，但该论文介绍的更详细）（3）添加两个辅助分类器帮助训练（4）丢弃全连接层，使用平均池化层（大大减少模型参数，除去两个辅助分类器，网络大小只有vgg的1/20）Inception结构...

RCNNRCNN算法流程：1.一张图片生成1k~2k个候选区域(使用Selective Search方法)；2.对每个候选区域，使用深度网络(即图片分类网络)提取特征；3.特征送入每一类的SVM分类器，判别是否属于该类；4.使用回归器精细修正候选框位置。1.候选区域的生成利用Selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的

0前言在YOLOv4论文中，作者其实就是把当年所有的常用技术罗列了一遍，然后做了一堆消融实验。1.YOLOV4的网络改进部分1、主干特征提取网络：DarkNet53 => CSPDarkNet53、使用Mish激活函数2、特征金字塔：SPP结构，PAN结构优化策略：1.Eliminate grid sensitivity2.Mosaic data augmentation3. IoU thr

1.MobileNetv3网络详解提出了MobileNetv3-Large和MobileNetv3-Small两种不同大小的网络结构，主要的区别是通道数的变化与bneck的次数。网络的创新点：(1)更新Block(bneck)(2)使用NAS搜索参数(Neural Architecture Search)(3)重新设计耗时层结构(1)更新Block加入了轻量级的注意力模型；利用h-swish代替s