大海

在目标检测和目标识别任务中，常用以下几种评价标准：

1. 参数数目
2. FLOPs
3. FPS
4. Accuracy/Error Rate
5. mAP

结合PyTorch完成了相关评价标准的实现：zjZSTU/Evaluation-Metrics

相关实现文档：Evaluation-Metrics

论文Rethinking the Inception Architecture for Computer Vision对GoogLeNet和GoogleNet_BN的实现做了进一步的解释，同时提出了新的Inception模块和损失函数LSR(label-smoothing regularizer)

上一篇实现了Inception_v2架构，经过测试发现其损失收敛速度确实高于之前的GoogLeNet_BN。本文在此基础上实现Inception_v3架构

论文翻译地址：[译]Rethinking the Inception Architecture for Computer Vision

Inception_v2实现：[GoogLeNet]Inception_v2

发现一个在线可视化工具：Netscope CNN Analyzer，里面提供了Inception v3的可视化及详细参数：Inception v3

论文Rethinking the Inception Architecture for Computer Vision对GoogLeNet和GoogleNet_BN的实现做了进一步的解释，同时提出了新的Inception模块和损失函数LSR(label-smoothing regularizer)，本文实现其中的Inception_v2架构

论文翻译地址：[译]Rethinking the Inception Architecture for Computer Vision

原文地址：Rethinking the Inception Architecture for Computer Vision

论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift将批量归一化方法作用于卷积神经网络，通过校正每层输入数据的数据分布，从而达到更快的训练目的。在文章最后，添加批量归一化层到GoogLeNet网络，得到了更好的检测效果

学习了论文Going deeper with convolutions，尝试进一步推导其模型，并使用PyTorch实现该网络

学习论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift，里面提出了批量归一化（Batch Normalization，简称BN）方法，一方面能够大幅提高训练速度，另一方面也能够实现更好的模型精度

综合PASCAL VOC 2007和2012数据集，进行分类/检测任务。分两步完成：

1. 下载07 trainval、07 test、12 trainval数据集，解析出分类/检测需要的数据
2. 根据具体任务（分类或者检测）从中提取数据

相关实现：zjykzj/vocdev

相比于之前的挑战赛，PASCAL VOC 2012增加了更多的训练和测试图像，同时，这也是最后一届挑战赛。其关于PASCAL VOC以及之前挑战赛的内容参考：

• [数据集]PASCAL-VOC
• [数据集]PASCAL VOC 2007

相关实现：zjykzj/vocdev

文章Going deeper with convolutions提出了一种新的卷积架构 - Inception，基于此实现的CNN架构GoogLeNet能够得到更好的分类和检测效果