神经网络判断奇偶数

拥有神经网络的深度学习比机器学习的一大特点是，深度学习的非线性转换能够实现一定程度上的特征提取和特征组合。但是，当你传入一批自然数进入模型中训练，想要预测奇偶性的时候，你会发现，这个任务有点难。但是，如果你将这些数值转为二进制的时候，这个任务又变得可行。可以看出，深度学习也需要我们做一下数据的预处理工作。当然，也侧边看出了神经网络并非万能。

感知器与逻辑回归的区别

多层感知器是我们用于分类的最基本的神经网络之一。在二分类问题上，线性分类器的目的就是找一个超平面把正负两类分开，感知器相当于一个阶跃函数，直接区分是0还是1，而逻辑回归则是给予0到1之间的概率。当然，如果我们调节逻辑回归的阈值，使得输出非0即1，则就成了感知器。

论文Link：Understanding the Effective Receptive Field in Deep Convolutional Neural Networks
Code:https://github.com/sfzhang15/SFD

这篇人脸检测器论文依据感受野来设计anchor的大小。

在物体检测中，Anchor在每一层对应尺度该如何选择。

简介： beta分布可以看作一个概率的概率分布，描述所有概率出现的可能性大小。

举例： 手中有一枚硬币，该硬币均匀度未知，现在让你说出抛一次出现正面的概率是多少。通过以往的先验知识来判断，正面概率为0.5的这个情况的概率最大。

介绍

Boosting

1.Boosting方法训练基分类器是采用串行的方式，各个基分类器之间有依赖。
2.Boosting的基本思路是将基分类器层层叠加，每一层在训练的时候，对前一层基分类器分错的样本给予更高的权重。测试时，根据各层分类器的结果的加权得到最终的结果。stacking

论文目标

1. 每次一个新的网络出现都需要经过高代价的ImageNet预训练处理。
2. 现存主干网络都是为分类场景设计，直接拿来用，效果并不能做到最优。

综上在现有主干网络的基础上建立一个更有强大的主干网络，称为复合主干网络。

Faster R-CNN最突出的贡献就在于提出了Region Proposal Network（RPN）代替了Selective Search，从而将候选区域提取的时间开销几乎降为0（2s -> 0.01s）

简介

当下的人脸检测主要为以下两种方法：

1. 基于知识的检测方法：检测器官特征和器官之间的几何关系
2. 基于统计的检测方法：像素相似性度量

基于知识的方法主要利用先验知识将人脸看作器官特征的组合，根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来检测人脸。

基于统计的方法则将人脸看作一个整体的模式——二维像素矩阵，从统计的观点通过大量人脸图像样本构造人脸模式空间，根据相似度量来判断人脸是否存在。

本文主要介绍的是基于统计的检测方法Haar，Haar特征值反映了图像的灰度变化情况。通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征。

简述：

PCA是一种线性、非监督、全局的降维算法。在高维的特征数据空间中有可能会包含冗余与噪声，因此需要寻找数据内部的主成分来表征原始数据，从而达到降维与降低训练复杂的目的。