大海

原文地址：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile

原文地址：Searching for MobileNetV3

原文地址：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

5月份实现了SSD和Faster R-CNN算法，同时解析了基于MaskRCNN-benchmark的目标检测框架，另外学习了cocoapi的使用，最后学习了YOLOv2算法

本周继续YOLOv2算法的实现，同时期待能够找到新工作

YOLOv2在YOLO的基础上进行了很多的调整，其中一个就是设置锚点框。相对于Faster R-CNN/SSD通过人工方式设置锚点的尺度和长宽比，YOLOv2提出了通过k-means聚类的方式自动计算出锚点的大小

分类 vs. 聚类

分类：类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类别的特征，再对未分类的数据进行分类。属于有监督学习（有标签）
聚类：事先不知道数据会分为几类，通过聚类分析将数据聚合成几个群体。聚类不需要对数据进行训练和学习。属于无监督学习（无标签）

原文地址：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

Image Localization Dataset是一个目标检测数据集，其标注文件使用了PASCAL VOC定义的格式，将其转换成COCO格式

COCO提供了一个完备的工具包 - cocoapi，能够满足实际开发过程中对于图像、类别、标注信息的提取

以下操作中仅涉及python使用

介绍COCO目标检测任务以及评价标准

目标检测任务

COCO将目标检测任务分为两个部分：

1. 边界框检测
2. 目标分割检测，也称为实例分割

用于目标检测任务的训练/测试/验证数据集拥有超过20万张图像，共80个类别。其中，在训练和验证数据集上的标注超过了50万个