SSD算法证明了多层分支对于目标检测的有效性，在此之前two-stage的目标检测方法已经优化改进过很多代，但是一直没有加入多尺度的方法。终于在FPN中，two-stage引入了多尺度，并且在SSD多层分支方法的基础上进一步改进，提出了特征金字塔网络。FPN的论文是《Feature Pyramid Networks for Object Detection》。

在之前的两个文章中，我们分别介绍了R-CNN与SPP-Net，Fast R-CNN是结合结合了SPP-Net的共享卷积计算思想，对R-CNN做出改进。Fast R-CNN的论文是《Fast R-CNN》，这是多么一个简单粗暴的论文题目。╮(￣▽ ￣)╭在上一篇中，SPP-Net解决了卷积共享计算的问题，但是SPP-Net依然不是一个可以end-to-end训练的网络，所以Fast R-CNN的提出

GAN，即生成对抗模型，是图像生成领域内的一种重要方法，它在2014年由Goodfellow提出，它的论文是《Generative Adversarial Networks》，GAN是在训练两个相互对抗的网络，一个生成器(Generator)和一个判别器(Descriminator)。当训练达到平衡时，对于一个输入噪声z。G(z)就是最后生成出来的图像。

对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。

R-CNN提出于2014年，应当算是卷积神经网络在目标检测任务中的开山之作了，当然同年间还有一个overfeat算法，在这里暂不讨论。R-CNN的论文是《Rich feature hierarchies for accurate oject detection and semantic segmentation》，在之后的几年中，目标检测任务的CNN模型也越来越多，实时性与准确率也越来越好，但是最

FCOS的paper是《FCOS: Fully Convolutional One-Stage Object Detection》，来自阿德莱德大学沈春华老师团队，作者是田植，其近期的工作时在实例分割方向非常惊艳的BoxInst。FCOS旨在利用全卷积的思路处理目标检测问题，它是一个anchor free的单阶段检测器，一个很有意思的地方是，FCOS和CenterNet都是在CornerNet之后

简介梯度消失问题和梯度爆炸问题，总的来说可以称为梯度不稳定问题。ReLU激活函数，用Batch Normal，用残差结构解决梯度消失问题正则化来限制梯度爆炸梯度消失梯度消失的原始是反向传播时的链式法则。当模型的层数过多的时候，计算梯度的时候就会出现非常多的乘积项。用下面这个例子来理解：y1=w1x1+b1y_{1} = w_{1}x_{1} + b_{1}y1​=w1​x1​+b1​z1=σ(y1

可视化说明在之前博客HOG原理及OpenCV实现中，我们解释了HOG算法的原理。最终提取到的特征就是一串向量，其实我们并不知道它具体是什么样子，也不知道它到底是不是能体现目标区域与非目标区域的差异。为了解决这个问题，我们需要对HOG特征做可视化处理。HOG特征首先去计算每个像素的梯度，然后建立滑动窗口，在滑动窗中建立滑动块，在块中建立等分的单元（cell）。我们仔细思考下这个过程，一个块在...

阶段离散下降调整策略连续下降调整策略周期性调整策略自适应调整策略自定义调整策略

SSIM算法的介绍：http://blog.csdn.net/chaipp0607/article/details/70158835代码做了一下处理：（1）设置两组对比试验，将原图进行核为5*5的滤波，与原图比较求得SSIM指数。将原图进行核为10*10的滤波，与原图比较求得SSIM指数。（2）将SSIM指数折算为百分制（3）采用高斯模糊求得图像的均值代码参考：http://ji