Paper阅读笔记 | 02 AlexNet

01 论文研究背景、成果及意义

两个重要条件
LabelMe, ImageNet等大的标注数据集的出现
硬件计算能力的提升(算力比较强的GPU等)

研究意义
环境影响的物体展示出多样性,想要获得更好的识别能力需要更加强大的训练数据以及更加复杂的拟合参数

图像物体分类
计算机视觉中的基本问题。图像分割、物体跟踪、行为分析等其他高级视觉任务的基础。

深度学习分类两个阶段
第一阶段:训练阶段
第二阶段:测试阶段

发展历史
趋势:让机器更“自主”地学习如何对图像进行分类

特征
机器学习特征:长宽高等
深度学习特征:比较抽象难以解释

02 未来技术研究趋势

HOG特征、SIFT特征-> AlexNet(2012)->VGG, GoogLeNet(2014)->ResNet(2015)->mobilnet, ShuffleNet(轻量级, 2017)->PeleeNet->Auto ML(自动化搜索)

03 前期知识储备

TensorFlow, CNN, 图像分类, softmax

04 课程安排和学习建议

Day 01 论文导读
Day 02 作业
Day 03 论文详解
Day 04 作业
Day 05 论文精读
Day 06 作业

你可能感兴趣的:(Paper)