本文地址：http://blog.csdn.net/shanglianlm/article/details/79409726
CNN
1 CS231n: Convolutional Neural Networks for Visual Recognition.
http://cs231n.github.io/convolutional-networks/
2 卷积：如何成为一个很厉害的神经网络
https://zhuanlan.zhihu.com/p/25754846
3 直白介绍卷积神经网络（CNN）
http://blog.jobbole.com/113819/
4 CNN处理过程
https://blog.csdn.net/sgfmby1994/article/details/72897800
1 objective，top1 error，top5error
http://blog.csdn.net/woshiduojiu/article/details/78507588
Xavier
1 深度学习——Xavier初始化方法
http://blog.csdn.net/shuzfan/article/details/51338178
Pooling
1 对CNN中pooling的理解 http://blog.csdn.net/jiejinquanil/article/details/50042791
Normalization
1 深度学习中 Batch Normalization为什么效果好？ https://www.zhihu.com/question/38102762
2 What is local response normalization? https://www.quora.com/What-is-local-response-normalization
3 解读Batch Normalization
http://blog.csdn.net/shuzfan/article/details/50723877
4 基础 | batchnorm原理及代码详解
https://blog.csdn.net/qq_25737169/article/details/79048516
5 全面解读Group Normalization
http://cvmart.net/community/article/detail/216
dropout
1 深度学习系列（九）：详解工具箱参数及网络一种改进方式-dropout
http://blog.csdn.net/on2way/article/details/50525548
2 系列解读Dropout
http://blog.csdn.net/shuzfan/article/details/50580915
1x1卷积核
1 卷积神经网络中用1*1 卷积有什么作用或者好处呢？
https://www.zhihu.com/question/56024942
2 1*1的卷积核与Inception
https://blog.csdn.net/a1154761720/article/details/53411365
finetuing
1 deep learning—利用caffe在vgg-face上finetuing自己的人脸数据
Batch_size
1 深度机器学习中的batch的大小对学习效果有何影响？https://www.zhihu.com/question/32673260/answer/71137399
2 深度学习中Batch_size相关问题汇总https://blog.csdn.net/zilanpotou182/article/details/76165241
网络模型
1 四大经典卷积网络介绍
https://blog.csdn.net/qq_25737169/article/details/75194445
名词解释：
1 FLOPs
https://www.zhihu.com/question/65305385
2 bounding box regression
http://www.caffecn.cn/?/question/160
3 非极大值抑制（NMS）
定位一个车辆，最后算法就找出了一堆的方框，我们需要判别哪些矩形框是没用的。非极大值抑制的方法是：先假设有6个矩形框，根据分类器的类别分类概率做排序，假设从小到大属于车辆的概率分别为A、B、C、D、E、F。
(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;
(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。
(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。
就这样一直重复，找到所有被保留下来的矩形框。
非极大值抑制（NMS）顾名思义就是抑制不是极大值的元素，搜索局部的极大值。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法，而是用于在目标检测中用于提取分数最高的窗口的。例如在行人检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要用到NMS来选取那些邻域里分数最高（是行人的概率最大），并且抑制那些分数低的窗口。
Paper
Faster RCNN
1 CNN目标检测与分割（一）：Faster RCNN详解
http://blog.csdn.net/eliudragon/article/details/78189491
2 【目标检测】Faster RCNN算法详解
http://blog.csdn.net/shenxiaolu1984/article/details/51152614
3 Faster-RCNN+ZF用自己的数据集训练模型(Python版本)
http://blog.csdn.net/sinat_30071459/article/details/51332084
4 Faster-RCNN+ZF用自己的数据集训练模型(Matlab版本)
http://blog.csdn.net/sinat_30071459/article/details/50723212
5 Faster R-CNN 深入理解 && 改进方法汇总
http://blog.csdn.net/zchang81/article/details/73176497
车牌检测
1 cascadeCNN_license_plate_detection
https://github.com/qinhuan/cascadeCNN_license_plate_detection
人脸检测&检测
1 深度学习人脸识别综述
https://xraft.github.io/2018/03/21/FaceRecognition/
2 InsightFace: 2D and 3D Face Analysis Project
https://github.com/deepinsight/insightface#face-detection