科普文章：
机器学习：
深度学习：
- 阮一峰：神经网络入门
- 阮一峰：如何识别图像边缘
- Charlotte77：【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理
- Charlotte77：一文弄懂神经网络中的反向传播法——BackPropagation
深度学习系列文章：
- MachineLP：MachineLP博客目录
- hanbingtao：《零基础入门深度学习》系列文章
其他文章：
- B 站视频：深度学习顶级论文算法详解（含 Faster-RCNN、ResNet 论文讲解）
(1) 讲解
(2) 实践
- 代码：chaipangpang/ResNet_cifar
- ResNet 代码讲解：
关于残差连接：resnet中的残差连接，你确定真的看懂了？
更多内容请看我单独写的一个文档：ResNet(残差网络).md
①什么是图像分割？
-
图片分割根据灰度、颜色、纹理、和形状等特征将图像进行划分区域，让区域间显差异性，区域内呈相似性。主要分割方法有：
基于阈值的分割 基于边缘的分割 基于区域的分割 基于图论的分割 基于能量泛函的分割
②综述类/总结类：
-
第一种是编码-译码架构。编码过程通过池化层逐渐减少位置信息、抽取抽象特征；译码过程逐渐恢复位置信息。一般译码与编码间有直接的连接。该类架构中 U-net 是最流行的。
第二种是膨胀卷积 (dilated convolutions) 【这个核心技术值得去阅读学习】，抛弃了池化层。
-
一文概览主要语义分割网络：FCN,SegNet,U-Net...
该文为译文，介绍了很多语义分割的深度学习模型，包括半监督下的语义分割，可以大致看下。
③深度学习语义分割模型的介绍：
- 语义分割(semantic segmentation) 常用神经网络介绍对比-FCN SegNet U-net DeconvNet
- 深度学习（十九）——FCN, SegNet, DeconvNet, DeepLab, ENet, GCN
④图像分割的衡量指标：
语义分割其实就是对图片的每个像素都做分类。其中，较为重要的语义分割数据集有：VOC2012 以及 MSCOCO。
-
常用的语义分割架构结构综述以及代码复现
-
记录每一个常用的深度模型结构的特点（图和代码）
大佬的博客：计算机视觉相关资源整理
-
Semantic Segmentation Suite in TensorFlow. Implement, train, and test new Semantic Segmentation models easily!
论文汇集：
- 浙大博士生刘汉唐：带你回顾图像分割的经典算法（需要注册才能观看~）
- 197期_张觅_基于深度卷积网络的遥感影像语义分割层次认知方法（关于遥感图像语义分割的，但听得不是很清楚~）
（待更……）
(1) Kaggle
Kaggle官网：https://www.kaggle.com/
(2) 天池
天池AI开发者社区：https://tianchi.aliyun.com/home/
- 《A guide to convolution arithmetic for deep》{Paper}
- 《Bag of Tricks for Image Classification with Convolutional Neural Networks》{Paper}
-
[1989]LeNet：《Gradient-Based Learning Applied to document Recognition》{Paper}
-
[2012]AlexNet：《ImageNet Classification with Deep Convolutional Neural Networks》{Paper}
-
[2014]Inception v1：《Going deeper with convolutions》{Paper}
注：先前叫 GoogLeNet，现在简单地被称为 Inception vN，其中 N 指的是由 Google 定的版本号。
-
[2014]VGGNet：《Very Deep Convolutional Networks for Large-Scale Image Recognition》{Paper}
-
[2015]Inception v2：《Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift》{Paper}
-
[2015]Inception v3：《Rethinking the Inception Architecture for Computer Vision》{Paper}
-
[2015]ResNet：《Deep Residual Learning for Image Recognition》{Paper}
-
[2016]Inception v4：《Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning》{Paper}
- FCN：《Fully Convolutional Networks for Semantic Segmentation》 [Paper-v1] [Paper-v2]（最新提交时间：2015.03.08）
- U-Net：《U-Net: Convolutional Networks for Biomedical Image Segmentation》[Paper]（最新提交时间：2015.05.18）
- SegNet：《SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation》[Paper-v1] [Paper-v2] [Paper-v3]（最新提交时间：2016.11.10）
- Dilated Convolutions：《Multi-Scale Context Aggregation by Dilated Convolutions》[Paper-v1] [Paper-v2] [Paper-v3]（最新提交时间：2016.04.30）
- DeconvNet：《Learning Deconvolution Network for Semantic Segmentation》[Paper]（最新提交时间：2015.05.17）
- RefineNet：《RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation》[Paper-v1] [Paper-v2] [Paper-v3]（最新提交时间：2016.11.25）
- PSPNet：《Pyramid Scene Parsing Network》[Paper-v1] [Paper-v2]（最新提交时间：2017.04.27）
- Large Kernel Matters：《Large Kernel Matters -- Improve Semantic Segmentation by Global Convolutional Network》[Paper]（最新提交时间：2017.03.08）
- DeepLab 系列：
- DeepLab v1：《Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs》Paper-v1 [Paper-v2] [Paper-v3] [Paper-v4]（最新提交时间 ：2016.06.07）
- DeepLab v2：《DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs》[Paper-v1] [Paper-v2]（最新提交时间：2017.05.12）
- DeepLab v3：《Rethinking Atrous Convolution for Semantic Image Segmentation》[Paper-v1] [Paper-v2] [Paper-v3]（最新提交时间：2017.12.05）
- DeepLab v3+：《Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation》[Paper-v1] [Paper-v2] [Paper-v3]（最新提交时间：2018.08.22）
- NAS：《Searching for Efficient Multi-Scale Architectures for Dense Image Prediction》Paper-v1（提交时间：2018.09.11）
- R-CNN：《Rich feature hierarchies for accurate object detection and semantic segmentation》Paper
- Fast R-CNN：《Fast R-CNN》 Paper
- Faster R-CNN：《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》 Paper
- Mask R-CNN ：《Mask R-CNN》 Paper
这两年关于人工智能特别是深度学习的书如雨后春笋很多。下面列举一些被大家普遍评价较高以及我有大概浏览过觉得不错的书，当个参考和记录：
1.机器学习
- 《写给人类的机器学习》译者：飞龙（等）；原书：Machine Learning for Humans
- 周志华《机器学习》，2016年1月
- Peter Harrington 《机器学习实战》，中文版译者：李锐/李鹏/曲亚东/王斌 ，2013年6月 [GitHub代码仓库]
2.深度学习
- Michael Nielsen《Neural Networks and Deep Learning》，中文版《神经网络与深度学习》
- 弗朗索瓦•肖莱 《Python深度学习》，中文版译者：张亮，2018年8月
- 张玉宏《深度学习之美：AI时代的数据处理与最佳实践》，2018年6月
- 张平《图解深度学习与神经网络：从张量到TensorFlow实现》，2018年09月
- 李沐、Aston Zhang 等人《动手学深度学习》预览版：《动手学深度学习》
- 邱锡鹏《神经网络与深度学习》：在线阅读
3.深度学习框架
- 泽宇/顾思宇 《Tensorflow：实战Google深度学习框架》
- 黄文坚/唐源《TensorFlow实战》
- 廖星宇《深度学习入门之PyTorch》 [代码仓库]
- 陈云《深度学习框架PyTorch：入门与实践》 [代码仓库]
- [Video]偏科普入门，莫烦机器学习教程：https://morvanzhou.github.io/tutorials/machine-learning/
- [Video]适合入门，吴恩达机器学习课程：https://www.coursera.org/learn/machine-learning、或 B 站：https://www.bilibili.com/video/av9912938/
- [Video]吴恩达深度学习课程：https://mooc.study.163.com/smartSpec/detail/1001319001.htm（中英文字幕）
- [Video]林轩田《机器学习基石》，B 站观看：https://www.bilibili.com/video/av1624332
- [Video]林轩田《机器学习技法》，B 站观看：https://www.bilibili.com/video/av12469267/
- [Video]李宏毅《一天搞懂深度学习》，B 站观看：https://www.bilibili.com/video/av16543434/
- [Video]李宏毅_机器学习，B 站观看：https://www.bilibili.com/video/av10590361/
- [Video]李宏毅_深度学习，B 站观看：https://www.bilibili.com/video/av9770302/
- [Video]深度学习计算机视觉课程，李飞飞_斯坦福 CS231n 课程，B 站观看：https://www.bilibili.com/video/av13260183/（中文字幕）
- [Videos]李沐《动手学深度学习》：https://space.bilibili.com/209599371/channel/detail?cid=23541，书籍预览版：《动手学深度学习》，代码GitHub地址：d2l-ai/d2l-zh
-
深度学习500问，以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者。 全书分为15个章节，近20万字。由于水平有限，书中不妥之处恳请广大读者批评指正。 未完待续...
-
本网站是一个公益性网站，致力于人工智能（AI）方面的课程的翻译、笔记分享等。
本人2014年下半年开始翻译吴恩达老师的机器学习课程字幕，并写了课程的中文笔记。笔记被下载了几万次，应该帮助了不少人，也有很多人一直在帮助我，现在我把笔记的word原稿和markdown原稿分享给大家。
…… ——By 黄海广
-
记录每天整理的计算机视觉/深度学习/机器学习相关方向的论文。
- 周志华：关于机器学习的一点思考（周老师的观点很客观、清晰，建议看看~）