Ubuntu18下编译的 opencv-4.1，Ubuntu16下工程引用编译好的 opencv 库，出现如下错误

摘要：空间金字塔池化（spatial pyramid pooling）或者编码-解码结构（encode-decode）被广泛应用于语义分割任务。通过不同采样值（rates）和多个有效的感受野，前者可以获取不同尺度的信息，而后者通过逐渐恢复空间信息的方式，可以获取尖锐目标的边界。本文中，我们综合两种方法的优点，设计新的网络结构。特别地，我们提出的模型，DeepLabv3+，与deeplabv3相比，

该专栏主要是翻译了官方的动手学习深度学习。。。。。

本文翻译论文为深度学习经典模型之一：Inception-v2，Inception-v3论文链接：http://arxiv.org/abs/1512.00567v3摘要：当前趋势下，卷积网络是解决大部分视觉任务的核心部分。自2014年之后，深度卷积网络开始变为主流网络，在很多基准数据集上都取得较大的进展。尽管增加模型大小和计算代价可以立刻得到效果的提升，但是计算效率和模型的参数量（参数越少越...

该专栏主要是翻译了官方的动手学习深度学习。。。。。

损失函数的解析请参考我之前写的博客：YOLO-V3代码解析系列（五） —— 损失函数（yolov3.py）ResNet迁移学习（四）—— 损失函数

2.4 微积分  直到至少2500年前，发现多边形的面积一直是个谜，直到古希腊人将一个多边形分割成多个三角形，并将这些三角形的面积相加，才得出多边形的面积。

本文翻译为目标检测论文系列：yolo-v1，You Only Look Once: Unified, Real-Time Object Detection论文链接：https://arxiv.org/pdf/1506.02640.pdf开源地址：http://pjreddie.com/yolo/1、Abstract本文提出目标检测（object detection）的新方法，YOLO。之前的方法，

本文翻译论文为深度学习经典模型系列：DeepLab-V1论文链接：https://arxiv.org/pdf/1412.7062.pdf摘要：深度卷积网络（DCNNs）在高层次（high level）视觉任务中表现突出，比如图像分类和目标检测。本文结合DCNNs和概率图模型，解决像素级分类任务（semantic image segmentation）。实验发现，DCNNs最后一层的输出特征...

2.5 自动微分  正如 【2.4 微积分】所说，微分是深度学习中几乎所有最优化算法的关键步骤。虽然求这些导数的计算过程很简单，只需要一些基本的微积分知识。但对于复杂的模型，手工计算参数的更新可能很痛苦(而且经常容易出错)。深度学习框架通过自动计算导数加快了这一工作，即自动微分（Automatic Differentiation）。在实践中，基于我们设计的模型，系统构建了一个计算图，跟踪哪些数据结