洋洋Young的博客

在计算机视觉领域中，目标检测（Object Detection）是一个具有挑战性且重要的新兴研究方向。目标检测不仅要预测图片中是否包含待检测的目标，还需要在图片中指出它们的位置。2015年，Joseph Redmon, Santosh Divvala 等人提出第一个 YOLO 模型，该模型具有实时性高、支持多物体检测的特点，已成为目标检测领域热门的研究算法。本文主要介绍 YOLO 算法及其基本原理。

通常来说，增加卷积神经网络的层数有利于提高模型的准确率，但是深层的神经网络也变得难以训练的，因为存在梯度消失与梯度爆炸问题。Microsoft 亚洲研究院的 Kaiming He 等人提出了一个残差学习框架，以简化对 CNN 网络的训练。通过将层重新表述为参考层输入的学习残差函数，深层神经网络变得更容易优化，并且可以从显著增加网络的准确性。本文主要介绍ResNet 残差网络的基本结构（Residual block）及其工作原理。

LeNet-5 是经典卷积神经网络之一，于 1998 年由 Yann LeCun 等人提出。LeNet-5 网络使用了卷积层、池化层和全连接层，实现可以应用于手写体识别的卷积神经网络。TensorFlow 内置了MNIST 手写体数据集，可以很方便地读取数据集，并应用于后续的模型训练过程中。本文主要记录了如何使用 TensorFlow 2.0 实现 MNIST 手写体识别模型。

随着计算机硬件的升级与性能的提高，运算量已不再是阻碍深度学习发展的难题。卷积神经网络（Convolution Neural Network，CNN）是深度学习中一项代表性的工作，其雏形是 1998 年 LeCun 提出的 LeNet-5 模型。如今，卷积神经网络已被广泛应用于计算机视觉领域。本文主要介绍卷积神经网络中的经典网络，包括 LeNet-5, AlexNet 和 VGG-16.

随着计算机硬件的升级与性能的提高，运算量已不再是阻碍深度学习发展的难题。卷积神经网络（Convolution Neural Network，CNN）是深度学习中一项代表性的工作，CNN 是受人脑对图像的理解过程启发而提出的模型，其雏形是 1998 年 LeCun 提出的 LeNet-5 模型。如今，卷积神经网络已被广泛应用于计算机视觉领域。本文主要介绍卷积神经网络中几个基础的运算，包括卷积、池化与全连接。