大海

刚开始学习神经网络的时候就接触到了过拟合和欠拟合的概念，包括各种提高模型泛化能力的方法。随着学习内容的增多，反而往往会忽视掉最初的理论

最近在训练目标检测算法时发现模型在训练集上能够得到很好的提高，但是在验证集上没有进步，这就是欠拟合的表现。小结一下关于过拟合与欠拟合的内容

3月份实现了R-CNN算法，完成了博客网站的迁移，同时学习了SPP-net以及Fast R-CNN，完成了部分SPP-net算法。相对于月初设定的目标，发现还可以进一步的提高，同时对于关键结果还需要进一步的完善

文章Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition提出空间金字塔池化（spatial pyramid pooling）的概念，通过分离卷积层和全连接层架构，避免了固定大小的图像输入，能够有效提高子窗口的识别精度

ZFNet对AlexNet进行了调整，使用更小的滤波器取得更大的特征提取能力。使用PyTorch进行测试

原文地址：Fast R-CNN

Fast R-CNN在R-CNN的基础上进一步发展，充分利用卷积神经网络进行目标检测和分类

R-CNN是早期最先在目标检测领域中使用卷积神经网络的模型之一，实现了很好的检测效果

原文：Rich feature hierarchies for accurate object detection and semantic segmentation

译文：[译]Rich feature hierarchies for accurate object detection and semantic segmentation

在目标检测中，非最大值抑制（Non-Maximum Suppression, NMS）能够有效去除冗余的候选边界框

softmax是常用的分类器之一，其一大特点就是输出每个类别的分类概率。之前已经学习和使用过softmax，在这里小结计算概率实现

在R-CNN中使用Hard Negative Mining（负样本挖掘）方法进行分类器的训练

使用Linux系统已经很久了，在笔记本上也安装了Ubuntu 18.04，对于系统根目录上的各个文件夹的功能还没有很了解

• 关于Ubuntu文件系统目录树，参考LinuxFilesystemTreeOverview和C.2. The Directory Tree
• 对于Linux的文件系统层次标准（Filesystem Hierarchy Standard, FHS），参考Filesystem Hierarchy Standard和Chapter 1. Linux Filesystem Hierarchy