一. 了解图像处理

• https://zhuanlan.zhihu.com/p/381413759

二. 了解机器学习:

• https://zhuanlan.zhihu.com/p/429901476

• CV面试(上)

• CV面试(下)

• https://mp.weixin.qq.com/s/ZShTaNDAMv6H6hLY9ncNTQ

• https://zhuanlan.zhihu.com/p/82105066

• https://github.com/andrewekhalel/MLQuestions

• 体积、激活和池单,以及BN和辍学
  常用顺序：
  1.卷积 -> 激活 -> 池化
  2.卷积 -> 池化 -> 激活
  如果使用最大水池,结果在两个顺序中相同。
  如果使用平均池化，建议采用第1种顺序，即卷积 -> 激活 -> 池化。
  结论：
  首先,激活。保留了更多有效的特性(而不是零)。
  平均人才库最初将更多的特性值减为零,这对网络学习不方便。
  上述结论是,使用的激活功能是RELU,如果其他激活功能,如PreLU,首先使用集合功能,或首先使用,则不会使梯度消失。在此情况下,应优先考虑首先集中,然后激活,以减少激活时的计算。
  3.卷积 -> BN->激活
  4.卷积 -> BN->Dropout->激活
  BN的作用是重塑数据分布,以克服传播中的梯度。
  BN训练步骤：
  1) 计算每批培训数据的平均值。
  (2) 解决每批培训的数据差异。
  3) 采用平均数和利润率实现0-1分布的标准化批量数据处理。
  4) 规模变异和偏差:使用标准的X乘伽马(比例系数)调整值加上贝塔(模块系数),增加产出值的偏差y。 纳入一个比例系数和和平转移系数以解决网络表达能力有限的问题,因为标准化x主要限于正常分布。
  5) BN业务是按平均差和标准差分批进行,但培训阶段所有批次记录的平均值和预测幅度作为预测阶段的BN平均数和差值使用。
  6) 在实践中,计算测试的平均值和差值的计算方法是,采用与所用相同的势头动态方法使用的平均幻灯片。
  BN层优缺点：
  优点：
  1) 逐步转移的计算更加平稳,神经饱和的发生较少。
  (2) 通过提高学习率加速培训。
  3) 对模型参数初始化和估值、安全网络学习和提高模型培训准确性不敏感。
  4)具有有利影响。
  缺点：
  (1) 降低深网络模型的培训率。
  2) 关于上述16批培训的建议。

• 培训网络,使战略适应损失曲线
  https://blog.csdn.net/yeler082/article/details/90273353
  https://blog.csdn.net/weixin_40267472/article/details/82216668

3. 目标检测

• https://mp.weixin.qq.com/s