今日所学 :
1,传统的计算机视觉方法通常包括图像预处理、特征提取、特征筛选、图像识别等几个步骤
2,深度残差网络:残差（residual）是残差网络的核心元素，但这个概念却并不复杂。没有引入残差的普通网络将输入 x 映射为 H(x)，训练的意义就在于使用大量训练数据来拟合出映射关系 H(x)。可残差网络独辟蹊径，它所拟合的对象并不是完整的映射 H(x)，而是映射结果与输入之间的残差函数 F(x)=H(x)−x。换句话说，整个网络只需要学习输入和输出之间差异的部分，这就是残差网络的核心思想。
3,残差能够带来优良的效果:因为残差网络在一定程度上解决了深度结构训练难的问题，降低了优化的难度
4,为什么残差网络具有这样良好的性能？一种解释是将残差网络看作许多不同长度训练路径的集合。
5,密集连接卷积网络:指的是网络中的任意两层都有直接的连接，每个层的输入都是之前所有层输出的集合。这样一来，每个层次都要处理所有提取出来的低层与高层特征;
重点:
1,在传统的计算机视觉方法中，特征设计和分类器训练是割裂的；
2,以卷积神经网络为代表的深度结构可以实现通用的物体识别算法；
3,深度残差网络将输出和输入之间的残差作为拟合对象，解决了深度神经网络训练难的问题；
4,密集连接网络采用全连接方式，实现了特征的高度重用，降低了参数数量和训练难度。