目标检测论文解读1：（RCNN解读）Rich feature hierarchies for accurate object detection...-附件资源

作者提出了一种全卷积，一阶段目标检测网络，通过对每一个像素预测一个目标来解决目标检测问题（没有anchor，特征图上一个位置预测一个目标。anchor的办法是一个位置预测k个目标）。比起RetinaNet， SSD， YOLOV3， Faster RCNN等网络，FCOS不需要anchor，自然也不需要候选框。 通过消除anchor，FCOS避免了和ahor相关的复杂计算，比如在训练过程中要计算anchor和GT的IOU值。更重要的是，毕淼了和anchor相关的超参数，比如anchor的数目，比例和尺寸。FCOS具有更简单的网络结构，实现更高的精度。在单尺度单模型下，COCO上得到44.7%的AP。

本人自己做的ppt，里面内容是自己对YOLOV1的个人理解，及重要代码讲解，讲的不好请多多包涵

《Modeling Color Difference for Visualization Design》，该论文是2017年的一篇最佳会议论文，对可视化中的色差进行建模，比较有创新性，作为图形学课程报告，由于我专业不是图形方向，对这个不太了解，一开始入手很难理解，花了几天啃出来的重要内容都在报告中说明了~

阿里巴巴技术专家深度解析信息检索新技术，新零售智能引擎事业群，包括推荐引擎、成交转化模型、回音室效应等内容，很不错，快来下载吧。

GAN原始论文的中文翻译版 - 来自七月翻译组 生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。

对清华&旷视提出的适合移动端的dl降噪论文的学习记录与自己的理解，主要是介绍改方法的特点以及算法的原理包括部分数学证明的解释

本文简要地介绍了RNN以及其变体LSTM，着重介绍了施行健博士提出的ConvLSTM结构，以及其在预测降水方面的应用。

openpose论文解读_思维导图.pdf https://blog.csdn.net/Lininggggggg/article/details/106482726

医学图像配准中的深度学习综述论文解读