参考１参考２SENet-2017Squeeze-and-Excitation Networks最后一届 ImageNet 2017 竞赛 Image Classification 任务的冠军，并被邀请在 CVPR 2017 的 workshop（Beyond ImageNet）中给出算法介绍.核心思想SENet的核心思想在于通过网络根据loss去学习特征权重，使得有效的feature map权重大

本文参考以下链接，如有侵权，联系删除参考feature pyramid networks for object detection-2017概述原来多数的object detection算法都是只采用顶层特征做预测，但我们知道低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。另外虽然也有些算法采用多尺度特征融合的方式，但是一般是采用融合后的特征做预测，而

focal loss的提出是在目标检测领域，为了解决正负样本比例严重失衡的问题。是由log loss改进而来的，为了于log loss进行对比，公式如下：其基本思想就是，对于类别极度不均衡的情况下，网络如果在log loss下会倾向于只预测负样本，并且负样本的预测概率pip_ipi​也会非常的高，回传的梯度也很大。但是如果添加(1−pi)γ(1−p_i)^{\gamma}(1−pi​)γ则会使预测

感受野指的是一个特定的CNN特征（特征图上的某个点）在输入空间所受影响的区域。一个感受野可以用中心位置(center location)和大小(size)来表征。然而，对于一个CNN特征来说，感受野中的每个像素值（pixel）并不是同等重要。一个像素点越接近感受野中心，它对输出特征的计算所起作用越大。这意味着某一个特征不仅仅是受限在输入图片中某个特定的区域（感受野），并且呈指数级聚焦在区域的中心。

6.卷积Group convolution 卷积只能在同一组进行吗？group conv本身应该就大大减少了参数，比如当input channel为256，output channel也为256，kernel size为3x3，不做 group conv参数为256x3x3x256*，*若group为8，每个group的input channel和output channel均为32，参数为8..

小目标检测trick小目标难检测原因小目标在原图中尺寸比较小，通用目标检测模型中，一般的基础骨干神经网络（VGG系列和Resnet系列）都有几次下采样处理:导致小目标在特征图的尺寸基本上只有个位数的像素大小，导致设计的目标检测分类器对小目标的分类效果差。如果分类和回归操作在经过几层下采样处理的 特征层进行，小目标特征的感受野映射回原图将可能大于小目标在原图的尺寸，造成检测效果差。小目标在原图中的数

1、Bias（偏差） & Variance（方差）bias就是衡量训练集和我们的最小误差的差距variance是指你的验证集和你训练集的效果的差别，而不是某个绝对的值。2、如何解决bias和variance的问题如果你的模型训练结果是high bias，我们一般用以下几种方法来改进：1)尝试使用更复杂更大的网络结构（增加单元数、增加层数，或者更改结构）2)训练更长的时间（增加迭代次）数因为

本文参考以下链接，如有侵权，联系删除参考You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery-2018概要这篇文章是做卫星图的目标检测，在YOLO v2算法基础上做了改进得到YOLT（You Only Look Twice）算法，因为卫星图的目标检测和常见的目标检测场景最大的区别在于卫星图像本身尺寸

卷积层和池化层有什么区别卷积层池化层功能提取特征压缩特征图，提取主要特征操作可惜是二维的，对于三维数据比如RGB图像（3通道），卷积核的深度必须同输入的通道数，输出的通道数等于卷积核的个数。卷积操作会改变输入特征图的通道数。池化只是在二维数据上操作的，因此不改变输入的通道数。对于多通道的输入，这一点和卷积区别很大。特性权值共享：减少了参数的数量，并利用了图像目标的平移不变性。稀疏连接：输出的每个值

概要1、pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。2、卷积神经网络中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。pooling确实起到了整合特征的作用。3、pooling的结果是使得特征减少，参数减少，但pooli