已經(jīng)開(kāi)始看的不懂了，只知道概念……

第三周 目標(biāo)檢測(cè)（Object detection）
3.1 目標(biāo)定位（Object localization）
如何利用神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)象定位伐厌，即通過(guò)輸出四個(gè)參數(shù)值赖欣、绵咱、和給出圖片中對(duì)象的邊界框砌梆。

3.2 特征點(diǎn)檢測(cè)（Landmark detection）
3.3 目標(biāo)檢測(cè)（Object detection）
這種算法叫作滑動(dòng)窗口目標(biāo)檢測(cè)濒憋，因?yàn)槲覀円阅硞€(gè)步幅滑動(dòng)這些方框窗口遍歷整張圖片幌墓，對(duì)這些方形區(qū)域進(jìn)行分類但壮，判斷里面有沒(méi)有汽車(chē)。

滑動(dòng)窗口目標(biāo)檢測(cè)算法也有很明顯的缺點(diǎn)常侣，就是計(jì)算成本茵肃，因?yàn)槟阍趫D片中剪切出太多小方塊，卷積網(wǎng)絡(luò)要一個(gè)個(gè)地處理袭祟。如果你選用的步幅很大验残，顯然會(huì)減少輸入卷積網(wǎng)絡(luò)的窗口個(gè)數(shù)，但是粗糙間隔尺寸可能會(huì)影響性能巾乳。反之您没，如果采用小粒度或小步幅，傳遞給卷積網(wǎng)絡(luò)的小窗口會(huì)特別多胆绊，這意味著超高的計(jì)算成本氨鹏。

3.4 滑動(dòng)窗口的卷積實(shí)現(xiàn)（Convolutional implementation of sliding windows）
以上就是在卷積層上應(yīng)用滑動(dòng)窗口算法的內(nèi)容，它提高了整個(gè)算法的效率压状。不過(guò)這種算法仍然存在一個(gè)缺點(diǎn)仆抵，就是邊界框的位置可能不夠準(zhǔn)確。

3.5 Bounding Box預(yù)測(cè)（Bounding box predictions）

3.6 交并比（Intersection over union）
3.7 非極大值抑制（Non-max suppression）
到目前為止你們學(xué)到的對(duì)象檢測(cè)中的一個(gè)問(wèn)題是种冬，你的算法可能對(duì)同一個(gè)對(duì)象做出多次檢測(cè)镣丑，所以算法不是對(duì)某個(gè)對(duì)象檢測(cè)出一次，而是檢測(cè)出多次娱两。非極大值抑制這個(gè)方法可以確保你的算法對(duì)每個(gè)對(duì)象只檢測(cè)一次

3.8 Anchor Boxes
而anchor box的思路是莺匠，這樣子，預(yù)先定義兩個(gè)不同形狀的anchor box十兢，或者anchor box形狀趣竣，你要做的是把預(yù)測(cè)結(jié)果和這兩個(gè)anchor box關(guān)聯(lián)起來(lái)摇庙。一般來(lái)說(shuō)，你可能會(huì)用更多的anchor box遥缕，可能要5個(gè)甚至更多卫袒，但對(duì)于這個(gè)視頻，我們就用兩個(gè)anchor box单匣，這樣介紹起來(lái)簡(jiǎn)單一些夕凝。
3.9 YOLO 算法（Putting it together: YOLO algorithm）
開(kāi)始看不懂了

3.10 候選區(qū)域（選修）（Region proposals (Optional)）

第四周 特殊應(yīng)用：人臉識(shí)別和神經(jīng)風(fēng)格轉(zhuǎn)換（Special applications: Face recognition &Neural style transfer）
4.1 什么是人臉識(shí)別？（What is face recognition?）
所謂的人臉識(shí)別就是通過(guò)識(shí)別人臉來(lái)判斷不同的人封孙，比如現(xiàn)在運(yùn)用在了門(mén)禁以及手機(jī)解鎖等迹冤。

4.2 One-Shot學(xué)習(xí)（One-shot learning）
臉識(shí)別所面臨的一個(gè)挑戰(zhàn)就是你需要解決一次學(xué)習(xí)問(wèn)題，
所以要讓人臉識(shí)別能夠做到一次學(xué)習(xí)虎忌，為了能有更好的效果泡徙，你現(xiàn)在要做的應(yīng)該是學(xué)習(xí)Similarity函數(shù)。詳細(xì)地說(shuō)膜蠢，你想要神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)這樣一個(gè)用d表示的函數(shù)堪藐，，它以兩張圖片作為輸入挑围，然后輸出這兩張圖片的差異值礁竞。
4.3 Siamese 網(wǎng)絡(luò)（Siamese network）
4.4 Triplet 損失（Triplet 損失）
4.5 人臉驗(yàn)證與二分類（Face verification and binary classification）
總結(jié)一下，把人臉驗(yàn)證當(dāng)作一個(gè)監(jiān)督學(xué)習(xí)杉辙，創(chuàng)建一個(gè)只有成對(duì)圖片的訓(xùn)練集模捂，不是三個(gè)一組，而是成對(duì)的圖片蜘矢，目標(biāo)標(biāo)簽是1表示一對(duì)圖片是一個(gè)人狂男，目標(biāo)標(biāo)簽是0表示圖片中是不同的人。利用不同的成對(duì)圖片品腹，使用反向傳播算法去訓(xùn)練神經(jīng)網(wǎng)絡(luò)岖食，訓(xùn)練Siamese神經(jīng)網(wǎng)絡(luò)。

4.6 什么是神經(jīng)風(fēng)格遷移舞吭？（What is neural style transfer?）
就是通過(guò)利用卷積神經(jīng)網(wǎng)絡(luò)來(lái)在一張圖片上運(yùn)用另外一張照片的風(fēng)格泡垃。

4.7 CNN特征可視化（What are deep ConvNets learning?）
4.8 代價(jià)函數(shù)（Cost function）
4.9 內(nèi)容代價(jià)函數(shù)（Content cost function）
4.10 風(fēng)格代價(jià)函數(shù)（Style cost function）
4.11 一維到三維推廣（1D and 3D generalizations of models）

參考鏈接：
網(wǎng)易云課堂
斯坦福參考資料