获得徽章 9
#每天一个知识点# RNN:循环神经网络是一类用于处理序列数据的神经网络，能够挖掘序列中的时序信息和语义信息
#每天一个知识点# SSD:使用一种多尺度特征图的方式来检测物体，即经过不同层次的CNN来进行预测，不同层次的感受野不同，从而预测不同大小的物体
#每天一个知识点# yolo:最经典的一阶段目标检测算法之一，无需生成候选锚框，所以计算速度大幅提升，但精度不足
#每天一个知识点# FASTER RCNN:由于fast rcnn的计算速度受到启发式搜索算法的限制，faster rcnn将锚框的启发式搜索算法改为了区域搜索网络rpn进一步加快了计算速度
#每天一个知识点# FAST RCNN:运用了ROI-pooling 层，将大小不一的RP转换成同样的size，因此可以将整张图像进行过操作后，直接输入进CNN层，一次性对所有的RP完成分类和bbox回归。
#每天一个知识点# RCNN:属于两阶段法，基本思想是采用选择性搜索算法生成大约2000个候选锚框，然后分别用分类模型和回归模型对锚框进行分类预测和偏移预测
#每天一个知识点# 语义分割:区别于目标检测的框，语义分割需要将图像中的每个像素根据所属对象分隔开
#每天一个知识点# 目标检测:目标检测是cv领域最常用的技术之一，区别与分类关心图片整体的内容，目标检测关心特定的物体目标，并给出这一目标的类别和位置
#每天一个知识点# resnet(残差网络):在图示上近似可以跳过中间的网络块，从而使得模型的表示范围扩大，也更容易训练，网络层数可以变得很大
#每天一个知识点# 批量归一化:训练过程中，利用小批量的均值和标准差，不断调整神经网络的中间输出，是整个网络更加稳定，一般使用在输出后激活前
