Fast.ai 深度学习实战课程第2课：卷积神经网络

目标检测经典论文——Fast R-CNN论文翻译（中英文对照版）：Fast R-CNN（Ross Girshick， Microsoft Research（微软研究院））

Fast R-CNN Ross Girshick Microsoft Research（微软研究院） rbg@microsoft.com Abstract This paper proposes a Fast Region-based Convolutional Network method (Fast R-CNN) for object detection. Fast R-CNN builds on previous work to efficiently c...

基于深度卷积神经网络的目标检测研究综述

基于深度卷积神经网络的目标检测研究综述 人工智能技术与咨询 来自《光学精密工程》，作者范丽丽等 摘要：作为计算机视觉中的基本视觉识别问题，目标检测在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象，并为每个对象分配一个对应的标签。近年来，深度卷积神经网络DCNN(Deep Convolutional Neural Networks)凭借其特征学习和迁移学习的强大能力在图像分类方面取得了一系列突破，在目标检测方面，它越来越受到人们的重视。因此，如何将CNN应用于目..

基于深度学习的目标检测算法综述

其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。 书的购买链接 书的勘误，优化，源代码资源 导言 目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是机器视觉领域的核 心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测 一直是机器视觉领...

fast.ai深度学习实战七法则：工业级AI建模的决策锚点

深度学习不是数学推导或代码堆砌，而是面向真实场景的问题诊断与系统优化。其核心原理在于将建模过程从‘构建模型’转向‘诊断系统’，通过迁移学习、学习率查找、分层微调等可量化策略，显著提升收敛稳定性与工程交付效率。这种实战导向的方法论，跳出了学术幻觉，直击中小数据集过拟合、显存爆炸、结果不可信等高频痛点，技术价值体现在缩短80%调参时间、降低55%显存占用、提升2.1个百分点验证准确率。典型应用场景覆盖工业缺陷检测、医疗影像分类、农业病害识别等需快速验证业务假设的边缘与生产环境。本文聚焦fast.ai框架下7条已

深度学习与CV教程(12) | 目标检测 (两阶段,R-CNN系列)

本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在 这里 查看。更多资料获取方式见文末。ShowMeAI在前面的内容中给大家做了很多图像分类的介绍，主要围绕卷积神经网络（LeNet / AlexNet / NIN / VGG / Google / ResNet / MobileNet / squeezenet）讲解，但计算机视觉领域有其他一些更为复杂的任务，例如本篇开始介绍的目标检测（object