关于论文学习中的几点疑惑
机器学习的本质是分类吗？
suummy of convolutions
nxn image fxf filter
padding p stride s
（非常推荐）吴恩达老师的机器学习与深度学习
- 课程地址：https://www.coursera.org/course/ml
- mooc地址：https://mooc.study.163.com/university/deeplearning_ai#/c
- 课程笔记详见这里
- 如何理解通道数？
- 为什么单个过滤器（卷积）的深度和通道数相同？
- 同时使用多个过滤器，即卷积层，怎么理解？
- 构建一个标准卷积神经网络，并准确表示所有超参数、输入输出规格
- 构建含卷积层（conv）、池化层（pooling）、全连接层（fully connected）的卷积神经网络结构
激活函数
在计算网络中， 一个节点的激活函数(Activation Function)定义了该节点在给定的输入或输入的集合下的输出
机器学习的训练教程（推荐）
使用google下的colab，其中有对机器学习的在线训练学习
https://developers.google.com/machine-learning/crash-course/
三个集合
训练集：学习样本数据集，通过匹配一些参数来建立一个分类器。建立一种分类的方式，主要是用来训练模型的。
验证集（Validation）：对学习出来的模型，调整分类器的参数，如在神经网络中选择隐藏单元数。验证集还用来确定网络结构或者控制模型复杂程度的参数。
测试集：主要是测试训练好的模型的分辨能力（识别率等）
其实问题的答案是：训练集用于训练模型参数，测试集用于估计模型对样本的泛化误差，验证集用于“训练”模型的超参数。
一个典型的划分是训练集占总样本的50％，而其它各占25％，三部分都是从样本中随机抽取
优化器算法Optimizer
https://www.cnblogs.com/guoyaohua/p/8542554.html
https://zhuanlan.zhihu.com/p/32626442
自编码器
https://zhuanlan.zhihu.com/p/80377698
基于深度学习的单目深度估计综述
由综述我们知道，从cvpr2018起，单目深度估计已经达到了双目深度估计的效果。
但是深度估计问题中，像素点存在相对大小，因此必定涉及到回归，因此其必定是监督学习模型（泛化性能也不好）
对于无监督的算法，可能场景适应性会更好，但依旧不适用于对行人深度的估计。
CVPR2018中《Deep Ordinal Regression Network for Monocular Depth Estimation》所提出的DORN框架
以3DV 2016中《Deeper Depth Prediction with Fully Convolutional Residual Networks》一文为例，其提出了FCRN网络框架
