在此仅做翻译（经过个人修改，有基础的话应该不难理解），有时间会有详细精读笔记。由于其高时间分辨率、增强的运动模糊恢复能力和非常稀疏的输出，事件摄像机已被证明是低延迟和低带宽特征跟踪的理想选择，即使在具有挑战性的场景中也是如此。现有的事件摄像机特征跟踪方法要么是手工制作的，要么是从第一性原理推导出来的，但需要大量的参数调整，对噪声敏感，并且由于未建模的效果而不能推广泛化到不同的场景。为了解决这些不足

教材1 多尺度锚框2 多尺度检测3 小结

教材1 读取数据集2 词元化3 词表4 整合所有功能5 小结

1 模型1.1 类别预测层1.2 边界框预测层1.3 连结多尺度的预测1.4 高和宽减半块1.5 基本网络块1.6 完整的模型2 训练模型2.1 读取数据集和初始化2.2 定义损失函数和评价函数2.3 训练模型3 预测目标4 小结

课件样式迁移易于CNN的样式迁移教材1 方法2 阅读内容和风格图像3 预处理和后处理4 抽取图像特征5 定义损失函数5.1 内容损失5.2 风格损失5.3 全变分损失5.4 损失函数6 初始化合成图像7 训练模型8 小结参考文献

课件网络中的网络NiN全连接层的问题NiN块NiN架构NiN Networks总结教材1 NiN块2 NiN模型3 训练模型4 小结参考文献

课件（单发多框检测SSD）生成锚框SSD模型效果总结课件（YOLO）YOLO（你只看一次）效果

课件VGGVGG块VGG架构进度总结教材1 VGG块2 VGG网络3 训练模型4 小结

1 独热编码(one-hot)2 初始化模型参数3 循环神经网络模型4 预测5 梯度裁剪6 训练7 小结

课件加更多的层总是改进精度吗？残差块ResNet块细节不同的残差块ResNet块ResNet架构总结教材1 函数类2 残差块3 ResNet模型4 训练模型5 小结