Kinpzz

@Blurjp Actually, I have try the newest version of mxnet. The DFF project can compiled on it successfully.

@samanthawyf from source, because we need to compile `$(DFF_ROOT)/dff_rfcn/operator_cxx/*` following the installation step.

@chuck0518 in step 3.1, I do not execute `git checkout 62ecb60` to swtich to the old version `62ecb60` of mxnet

# TODO * 反卷积相关论文 * Image Segmentation 图像分割相关论文知识 * FCN 全卷积神经网络

# FCN与CNN的区别 FCN的最后几层不是全连接层，而CNN是全连接层。这些全连接层都是一维的信息，丢失了二维的信息。 CNN是图像到结果的网络，从二维信息到一维信息，一般输出一个图片的结果。而FCN网络是从图像到图像的网络，从二维信息到二维信息，是一个像素级的网络，对应每个像素点的结果。 ` CNN的识别是图像级的识别，也就是从图像到结果，而FCN的识别是像素级的识别，对输入图像的每一个像素在输出上都有对应的判断标注，标明这个像素最可能是属于一个什么物体/类别。 ` # 上采样和下采用 CNN从高维度到低维度，卷积+池化的过程就是下采用。FCN从低维度到高维度，反卷积的过程就是上采样。 # 感受域 ` 这里就涉及到一个感受域（receptive field）的概念。较浅的卷积层（靠前的）的感受域比较小，学习感知细节部分的能力强，较深的隐藏层(靠后的)，感受域相对较大，适合学习较为整体的，相对更宏观一些的特征。 ` 所以在做反卷积的时候，会考虑浅层的卷积信息，辅助叠加得到更好的分割结果。 # 概念 * 条件随机场 * Dilated Convolutions

We define our approach as an **[unsupervised domain adaptive](https://paperswithcode.com/task/unsupervised-domain-adaptation)** salient object detection method, but not an unsupervised method. Only when comparing with others, we follow the definition of existing deep...

Thanks for pointing it out. Actually, we want to express that our approach learns from synthetic but clean labels instead of noise labels generated by traditional methods like existing methods....

@wangjinkai8611 网上搜集的带有透明背景的素材图片的Alpha通道

# Lesson 1 介绍了计算机视觉发展历史，ImageNet数据集及比赛成果。本课程着重于机器学习的深度学习在计算机视觉应用部分。 # Lesson 2 本节课主要介绍了KNN分类器，但是它不适用于在图像分类上。如何通过cross-validation来选择最佳的k（hyperparamater） 介绍了神经网络在线性分类器上的应用。$$f(x_i, W, b) = Wx+b$$ （x维三通道彩色图像压平为1维向量），W每一行的意义“：代表了每一类的平均图像。 # Lesson 3 * SVM loss * Softmax loss * Gradient * Mini-batch optimization 加入weight regularization到loss中可以防止过拟合，提升模型的泛化能力Gradient...

# Lesson 8 Deeplearning software # Lesson 9 CNN # Lesson 10 RNN