每秒處理影象的幀數；每秒浮點運算次數、每秒峰值速度。
10億次/每秒是衡量處理器計算能力的指標單位
roi pooling
* 根據輸入image，將roi對映到feature map對應位置；
* 將對映後的區域劃分為相同大小的sections（sections數量與輸出的維度相同）；
* 對每個sections進行max pooling操作；
（2）採用卷積進行檢測
（3）設定先驗框
ssd v2
2、三種深度學習的方法
3、sift特徵
4、很全的綜述文章！！建議看
5、一些**
6、深度學習應用
2） 任務聚焦/解耦：通過將任務分解，設計不同的網路結構（或分支）專注於不同的子任務，重新分配網路的學習能力，從而降低原始任務的難度，使網路更加容易訓練。
attention 詳解公示及相關模型
隨機梯度下降（stochastic gradient descent，sgd）
從本質上去看，牛頓法是二階收斂，梯度下降是一階收斂，所以牛頓法就更快。如果更通俗地說的話，比如你想找一條最短的路徑走到乙個盆地的最底部，梯度下降法每次只從你當前所處位置選乙個坡度最大的方向走一步，牛頓法在選擇方向時，不僅會考慮坡度是否夠大，還會考慮你走了一步之後，坡度是否會變得更大。所以，可以說牛頓法比梯度下降法看得更遠一點，能更快地走到最底部。（牛頓法目光更加長遠，所以少走彎路；相對而言，梯度下降法只考慮了區域性的最優，沒有全域性思想。）
根據wiki上的解釋，從幾何上說，牛頓法就是用乙個二次曲面去擬合你當前所處位置的區域性曲面，而梯度下降法是用乙個平面去擬合當前的區域性曲面，通常情況下，二次曲面的擬合會比平面更好，所以牛頓法選擇的下降路徑會更符合真實的最優下降路徑。
* 既然有這麼多方法，為什麼很多**裡面還是用的sgd？需要注意的是，其他的方法在計算效能和收斂方面確實優秀很多，有的甚至不用認為干涉，它會自適應的調整引數，但是，在良好的調參情況下，sgd收斂到的最優解一般是最好的
深度學習 計算機視覺面試常考知識點
知乎 batch normalization原理與實戰 csdn 常用啟用函式 激勵函式 理解與總結 卷積神經網路系列之softmax loss對輸入的求導推導 在機器學習尤其是深度學習中，softmax是個非常常用而且比較重要的函式，尤其在多分類的場景中使用廣泛。他把一些輸入映 射為0 1之間的實...
計算機視覺 深度學習基礎
與神經網路的區別 傳統一般三層以內，深度可達上千層 傳統通常是全連線，深度形式多樣 共享權值，跨層的反饋等 目標函式 均方誤差 交叉熵 交叉熵能在深度學習模型下快速提高精度 為了避免交叉熵出現0，使用softmax層來突出最大值並轉換成概率 激勵函式 sigmoid relu 當神經元一層層疊加之後...
計算機視覺學習總結
計算機視覺 工具 opencv caffe tensorflow python c opencv演算法精解 基於python與c 關注 斯坦福李飛飛 深度學習計算機視覺 計算機視覺領域的一些牛人部落格，超有實力的研究機構等的 鏈結 annotated computer vision bibliogr...