一份简短的深度学习笔记.pdf

深度学习 大神精简笔记 巩固强化基础 面试神器 各种基础知识强化 推理步骤 大神学习笔记 作者 朱鉴

iview本地文档.zip

iview的离线文档，官方文档的内容可以下载到本地，没有网络也可以用来作为开发参考。

Towards High Performance Video Object Detection

面向高性能视频对象检测 Towards High Performance Video Object Detection 近年来，图像目标检测有了显著的进展。然而，视频对象检测虽然在实际场景中更具挑战性和重要性，但是很少受到关注。我们的方法扩展了已有的三种新技术，并将性能包络（速度精度折衷）稳步推进到高性能视频对象检测。

Object Detectionin Videos by High Quality Object Linking

Object Detectionin Videos by High Quality Object Linking 视频对象的高质量对象链接检测

CornerNet Detecting Objects as Paired Keypoints

CornerNet Detecting Objects as Paired Keypoints CornerNet作为配对关键点检测对象 提出了CornerNet，一个新的对象检测方法在检测物体的包围盒作为一对特征点，左上角和右下角，使用一个单一的卷积神经网络，通过检测对象作为配对关键点，我们消除了设计一组在先前的单级检测器中常用的锚箱的需要。

Acquisition of Localization Confidence for Accurate Object Detection

Acquisition of Localization Confidence for Accurate Object Detection， 现代基于cnn的目标检测器依赖于包围盒回归和非最大抑制来定位对象。类标签的概率自然反映了分类的可信度，而本土化置信度却是不存在的。这使得适当的本地化包围盒在迭代回归过程中退化，甚至在NMS期间被抑制。在本文中，我们提出了IOU-网络学习来预测每个检测到的边界盒与匹配的地面真相之间的IOU。网络获得了定位的可信度，通过保持精确的定域包围盒，进一步改进了nms过程，提出了一种基于优化的包围盒细化方法，该方法将预测的loo描述为在ms-coco数据集上进行的有效实验，以及它与几种先进的目标探测器的兼容性和适应性。

Faster R-CNN

IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE 本文描述了Faster R-CNN的运行原理及框架，实验数据及结论

Fast R-CNN

来自2015 IEEE International Conference on Computer Vision 该论文详细描述了快速卷积神经网络的运行原理，框架构成，以及实际实验数据和结论