一-yolo algorithm
把輸入的分割成3x3個格仔或19x19個格仔，每個格仔進行檢測輸出八個特徵，3x3就輸出3x3x8個向量。yolo演算法的優點是不需要乙個演算法跑很多次。相反這是單次卷積實現，在處理計算時很多步驟都是共享的，而且執行速度非常快可以達到實時識別。
物件中點的座標在哪個格仔就分配到哪個格仔，因為物件可能橫跨多個格仔。
二、yolo演算法用非極大值抑制可以使輸出更好
基本思想就是高亮出（留下）交叉比最大值的，去掉比較小的邊框即去掉那些跟高亮的邊框重疊率很高的邊框，所以就認為最大值的邊框就是物體。
二、yolo演算法檢測兩個物件中心點重合時，用anchor box演算法
anchor box 1表示行人，anchor box2表示汽車，如果兩個物體的形狀都是anchor box1，那麼這種方法就不能用，而是需要引入另外一種打破僵局的方法，實際上這種情況很少。
吳恩達 卷積神經網路
卷積神經網路 卷積操作 設輸入n，filter為f，padding為p，步長 stride 為s 則卷積 不滿足結合律，滿足結合律還需要對filter進行水平和垂直翻轉 之後影象大小為 n 2p f s 1 向下取整 rgb影象卷積操作 同時相乘相加，三個channel輸出乙個值 為什麼cnn可以避...
吳恩達 卷積神經網路
1 灰度影象，邊緣檢測，使用核函式的缺點，影象的向量會不斷的縮小，另外乙個就是邊緣的向量相比於中間的向量被覆蓋的次數會少很多。解決這個的方法就是padding在影象的周圍再新增一圈向量。2 核函式通常是奇數維向量 3 卷積層，池化層 選出某一區域的最大值，另外還有 平均池化，就是求乙個小區域的均值 ...
吳恩達 深度學習筆記《卷積神經網路》
cnn的提出以及優勢 簡單卷積網路示例 池化層 其他使用卷積的原因 相比標準神經網路，對於大量的輸入資料，卷積過程有效地減少了 cnn 的引數數量，原因有以下兩點 1，引數共享 parameter sharing 特徵檢測如果適用於的某個區域，那麼它也可能適用於的其他區域。即在卷積過程中，不管輸入有...