摘要：
什么是深度卷积网络 ？ （What are deep ConvNets learning?） 假如你训练了一个卷积神经网络，是一个 Alexnet，轻量级网络，你希望将看到不同层之间隐藏单元的计算结果。 从第一层的隐藏单元开始，假设你遍历了训练集，然后找到那些使得单元激活最大化的一些图片，或者是图片 阅读全文
摘要：
什么是神经风格转换？（ What is neural style transfer?） 使用 C来表示内容图像 ，S表示风格图像 ，G表示表示生成的图像。 第一幅图像C是斯坦福大学，S是梵高的星空，G是最终生成的图像。第一幅图像C是旧金山的金门大桥，S是毕加索的画，G是最终生成的图像。为了实现神经风 阅读全文
摘要：
面部验证与二分类 （Face verification and binary classification） 另一个训练神经网络的方法是选取一对神经网络，选取 Siamese 网络，使其同时计算这些嵌入，比如说 128 维的嵌入，或者更高维，然后将其输入到逻辑回归单元，然后进行预测，如果是相同的人， 阅读全文
摘要：
Triplet 损失 要想通过学习神经网络的参数来得到优质的人脸图片编码，方法之一就是定义三元组损失函数然后应用梯度下降。 为了应用三元组损失函数，你需要比较成对的图像，比如这个图片，为了学习网络的参数，你需要同时看几幅图片，对于前两张图片，你想要它们的编码相似，因为这是同一个人，对于后两张图片，你 阅读全文
摘要：
Siamese 网络（ Siamese network） 你经常看到这样的卷积网络，输入图片${x^{(1)}}$ ，然后通过一些列卷积，池化和全连接层，最终得到这样的特征向量，有时这个会被送进 softmax 单元来做分类，但是在这里不这样做，我们关注的是最终输出的向量，假设它是128维，它是由网 阅读全文
摘要：
One-Shot 学习（ One-shot learning） 人脸识别所面临的一个挑战就是你需要解决一次学习问题，这意味着在大多数人脸识别应用中，你需要通过单单一张图片或者单单一个人脸样例就能去识别这个人。所以在一次学习问题中，只能通过一个样本进行学习，以能够认出同一个人。大多数人脸识别系统都需要 阅读全文
摘要：
候选区域（ Region proposals (Optional)） 滑动窗法方法使用训练过的分类器，在这些窗口中全部运行一遍，然后运行一个检测器，看看里面是否有车辆，行人和摩托车。现在你也可以运行一下卷积算法，这个算法的其中一个缺点是，它在显然没有任何对象的区域浪费时间。 编号1,2的区域显然没有 阅读全文
摘要：
YOLO 算法（Putting it together: YOLO algorithm） 假设你要训练一个算法去检测三种对象，行人、汽车和摩托车，你还需要显式指定完整的背景类别。这里有 3 个类别标签，如果你要用两个 anchorbox，那么输出y就是 3×3×2×8，其中 3×3 表示 3×3 个 阅读全文
摘要：
Anchor Boxes 假设你有这样一张图片，对于这个例子，我们继续使用 3×3 网格，注意行人的中点和汽车的中点几乎在同一个地方，两者都落入到同一个格子中。所以对于那个格子，如果y输出这个向量： 你可以检测这三个类别，行人、汽车和摩托车，它将无法输出检测结果，所以我必须从两个检测结果中选一个。 阅读全文