【目标检测】FPN(Feature Pyramid Network) - 知乎Feature pyramid network是CVPR2017年的一篇文章，它在目标检测中融入了特征金字塔，提高了目标检测的准确率，尤其体现在小物体的检测上。 1. 动机(Motivation)识别不同尺寸的物体是目标检测中的一个基本挑战，而…https://zhuanlan.zhihu.com/p/62604038F

1、径向基函数神经网络（RBF NN）RBF NN属于前向型神经网络，理论上可以任意精度逼近任意连续函数，适合解决分类问题。径向基函数（RBF）：某种沿径向对称的标量函数，通常定义为空间中某点到另外一个中心点的欧氏距离的单调函数，其特点为，如果某点离中心点距离较远，则函数取值很小。用RBF作为单元的“基”构成隐含层空间，即可将输入矢量直接（即不需要通过权连接）映射到隐空间，低维空间不可分的数据到了

【目标检测】FPN(Feature Pyramid Network) - 知乎Feature pyramid network是CVPR2017年的一篇文章，它在目标检测中融入了特征金字塔，提高了目标检测的准确率，尤其体现在小物体的检测上。 1. 动机(Motivation)识别不同尺寸的物体是目标检测中的一个基本挑战，而…https://zhuanlan.zhihu.com/p/62604038F

实例分割（Instance Segmentation）是视觉经典四个任务中相对最难的一个，它既具备语义分割（Semantic Segmentation）的特点，需要做到像素层面上的分类，也具备目标检测（Object Detection）的一部分特点，即需要定位出不同实例，即使它们是同一种类。实例分割的研究长期以来都有着两条线，分别是自下而上的基于语义分割的方法和自上而下的基于检测的方法，这两种方法

1、径向基函数神经网络（RBF NN）RBF NN属于前向型神经网络，理论上可以任意精度逼近任意连续函数，适合解决分类问题。径向基函数（RBF）：某种沿径向对称的标量函数，通常定义为空间中某点到另外一个中心点的欧氏距离的单调函数，其特点为，如果某点离中心点距离较远，则函数取值很小。用RBF作为单元的“基”构成隐含层空间，即可将输入矢量直接（即不需要通过权连接）映射到隐空间，低维空间不可分的数据到了

Attention UNet论文解析 - 知乎Attention UNet论文地址： https://arxiv.org/pdf/1804.03999.pdf 代码地址： https://github.com/ozan-oktay/Attention-Gated-NetworksAttention UNet在UNet中引入注意力机制，在对编码器每个分辨率上的特征与解…图像分割UNet系列-----

1、径向基函数神经网络（RBF NN）RBF NN属于前向型神经网络，理论上可以任意精度逼近任意连续函数，适合解决分类问题。径向基函数（RBF）：某种沿径向对称的标量函数，通常定义为空间中某点到另外一个中心点的欧氏距离的单调函数，其特点为，如果某点离中心点距离较远，则函数取值很小。用RBF作为单元的“基”构成隐含层空间，即可将输入矢量直接（即不需要通过权连接）映射到隐空间，低维空间不可分的数据到了

1、径向基函数神经网络（RBF NN）RBF NN属于前向型神经网络，理论上可以任意精度逼近任意连续函数，适合解决分类问题。径向基函数（RBF）：某种沿径向对称的标量函数，通常定义为空间中某点到另外一个中心点的欧氏距离的单调函数，其特点为，如果某点离中心点距离较远，则函数取值很小。用RBF作为单元的“基”构成隐含层空间，即可将输入矢量直接（即不需要通过权连接）映射到隐空间，低维空间不可分的数据到了

一、全连接神经网络1、全连接网络：网络层的每一个结点都与上一层的所有结点相连。对于每个神经元：2、如果没有激活函数，我们的求和函数拟合能力均为线性的，而激活函数的作用在于，为我们的模型提供了非线性的拟合能力。2.1 全连接神经网络_小学渣的春天的博客-CSDN博客_一个全连接的前向神经网络具有6个源结点,2个隐层2.1 全连接神经网络2.1.1 全连接神经网络的定义全连接网络：网络层的每一个结点都

CNN作为最基础的框架，存在很多的问题：比如语义分割除了语义信息还需要细节信息，因此UNet等论文给出了解决方案。比如语义分割需要上下文信息，因此PSPNet、Deeplab系列、基于自注意力机制的一系列方法（Non-Local、DANet、CCNet等）等被提出来获取局部、多尺度乃至全局上下文。比如语义分割对于物体边缘的分割效果不理想，因此Gated-SCNN等方法也在着力解决这些问题。