Mask R-CNN 原理文档 《Instance segmentation with Mask R-CNN》

R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先使用Selective Search 搜寻可能存在物体的区域。Selective Search 可以从图像中启发式地搜索出可能包含物体的区域。相比穷举而言， Selective Search 可以减少一部分计算量。下一步，将取出的可能含高物体的区域送入CNN 中提取特征。CNN 通常是接受一个固定大小的图像，而取出的区域大小却各有不同。对此， R-CNN的做法是将区域缩放到统一大小，

经常要做汇报，还要做PPT，所以上传一些自己做的PPT做个保留，有人下载那就更好啦

本ppt详细介绍了卷积神经网络的起源背景、算法原理、算法的执行过程、以及CNN的应用场景

很全面，很深刻的卷积神经网络（CNN）原理讲解。

本文档言简意赅地介绍了卷积神经网络的原理，从最基础的反向传播梯度下降开始介绍，是学习搭建卷积神经网络非常不错的参考资料。

一份ppt介绍传统神经网络和卷积神经网络的区别和原理。并提供了代码实现