"One-Stage" 和 "Two-Stage" 是目标检测方法的两种基本架构，它们的主要区别在于如何执行目标检测任务。YOLO（You Only Look Once）和 SSD（Single Shot MultiBox Detector）选择 Two-Stage 还是 One-Stage 方法通常取决于任务需求和性能要求。（基于区域、即 region proposal阶段和区域分类与精细化阶段

锚框通常由手动设计或数据分析来定义，以适应不同场景和物体的尺寸和形状。总结：Anchor-Based 与 Anchor-Free很大区别在于预测回归的是边界框偏移还是边界框本身，因为回归偏移就意味着存在一组基础锚框，被偏移所作用。方法更加灵活，因为它们不需要锚框，能够更好地适应不同的目标尺寸和形状。但它们可能需要更多的训练数据来实现与 anchor-based 方法相似的准确性。方法依赖于锚框，通

反向传播网络在优化完毕后，其权重是一个固定的值，而贝叶斯神经网络把权重看成是服从均值为 μ ，方差为 δ 的高斯分布，每个权重服从不同的高斯分布，反向传播网络优化的是权重，贝叶斯神经网络优化的是权重的均值和方差，所以贝叶斯神经网络需要优化的参数是反向传播网络的两倍。在预测时，BNN会从每个高斯分布中进行采样，得到权重值，此时贝叶斯神经网络就相当于一个反向传播网络。也可以进行多次采样，从而得到多次预

反向传播网络在优化完毕后，其权重是一个固定的值，而贝叶斯神经网络把权重看成是服从均值为 μ ，方差为 δ 的高斯分布，每个权重服从不同的高斯分布，反向传播网络优化的是权重，贝叶斯神经网络优化的是权重的均值和方差，所以贝叶斯神经网络需要优化的参数是反向传播网络的两倍。在预测时，BNN会从每个高斯分布中进行采样，得到权重值，此时贝叶斯神经网络就相当于一个反向传播网络。也可以进行多次采样，从而得到多次预

反向传播网络在优化完毕后，其权重是一个固定的值，而贝叶斯神经网络把权重看成是服从均值为 μ ，方差为 δ 的高斯分布，每个权重服从不同的高斯分布，反向传播网络优化的是权重，贝叶斯神经网络优化的是权重的均值和方差，所以贝叶斯神经网络需要优化的参数是反向传播网络的两倍。在预测时，BNN会从每个高斯分布中进行采样，得到权重值，此时贝叶斯神经网络就相当于一个反向传播网络。也可以进行多次采样，从而得到多次预

参数，表示蓝色function的个数。i 越大说明红色curve转折点越多，越逼近真实曲线。将上图的蓝框式子用图展开表示：其中r为x的线性组合，激活函数输入前的形式。r 的三个长表达式可以用矩阵简化成一个式子：图底部的颜色小方块。注意形状代表矩阵格式。所以虚线框和红框内容等价。都是为了计算 r = b+wx计算出r1，r2，r3后，分别通过sigmoid function，得到a1，a2，a3。直