目标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器，它们都是目前最为优秀的方法。一、基于候选区域的目标检测器1.

https://blog.csdn.net/sinat_17456165/article/details/106184711在深度学习的很多工作中（例如目标检测、图像分割），融合不同尺度的特征是提高性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。如何将两者高效融合，取其

https://github.com/scutan90/DeepLearning-500-questions第一章 数学基础 11.1 标量、向量、张量之间的联系 11.2 张量与矩阵的区别？ 11.3 矩阵和向量相乘结果 11.4 向量和矩阵的范数归纳 11.5 如何判断一个矩阵为正定？ 21.6 导数偏导计算 31.7 导数和偏导数有什么区别？ 31.8 特征值分解与特征向量 31.9 奇异值

https://github.com/scutan90/DeepLearning-500-questions第一章 数学基础 11.1 标量、向量、张量之间的联系 11.2 张量与矩阵的区别？ 11.3 矩阵和向量相乘结果 11.4 向量和矩阵的范数归纳 11.5 如何判断一个矩阵为正定？ 21.6 导数偏导计算 31.7 导数和偏导数有什么区别？ 31.8 特征值分解与特征向量 31.9 奇异值

转载自：https://blog.csdn.net/phinoo/article/details/86255239

基本思路：从待检测目标中先按照分类置信度，找一个最可信的框。然后判断其他框和它的交并比(IoU),如果大于阈值TH，说明相似，抑制掉就好了。１．局部最大搜索目标检测问题的老大难问题之一就是如何提高召回率（所有标注的真实边界框有多少被预测出来了）。　　　　　　　　　即recall=正检／（正检＋未检）这就导致最后输出的边界框数量往往远大于实际数量，而这些模型的输出边界框往往是堆叠在一起的。因此，我们

Feature Embedding特征嵌入，将数据转换（降维）为固定大小的特征表示（矢量），以便于处理和计算（如求距离）。例如，针对用于说话者识别的语音信号训练的模型可以允许您将语音片段转换为数字向量，使得来自相同说话者的另一片段与原始向量具有小的距离（例如，欧几里德距离）。embedding的主要目的是对（稀疏）特征进行降维，它降维的方式可以类比为一个全连接层（没有激活函数），通过 ...

转载自：https://blog.csdn.net/u012374174/article/details/792294762018人工智能国际学术会议一、A类1、AAAI （AAAI Conference on Artificial Intelligence）     网址：https://aaai.org/Conferences/AAAI-18/     论文投稿：已截止...

转载自：https://www.zhihu.com/appview/p/28037164来自专栏『运筹OR帷幄』大数据人工智能时代的运筹学罗浩.ZJU 等 145 人赞了文章作者 @留德华叫兽 系美国克莱姆森大学运筹学硕士，Ph.D. Candidate，后跳槽至欧盟玛丽居里博士项目，期间前往意大利IBM Cplex实习半年，现任德国海德堡大学交叉学科计算中心、组合优化实验室助理研究员...

转载自：http://www.sohu.com/a/227854954_297710 作者：朱松纯来源：人工智能前沿讲习班导读本文作者：朱松纯，加州大学洛杉矶分校UCLA统计学和计算机科学教授，视觉、认知、学习与自主机器人中心主任。文章前四节浅显探讨什么是人工智能和当前所处的历史时期，后面六节分别探讨六个学科的重点研究问题和难点，有什么样的前沿的课题等待年轻人去探索，最后一...