1. seq2seqモデルは何ですか？
Seq2seqは、2つのRNN、ベクターに圧縮decoder.Encoder責任指定長として入力シーケンスとしてエンコーダによりエンコーダ・デコーダ構造に属し、このベクターは、セマンティックによれば、このシーケンスの意味論として、デコーダの責任とみなすことができます指定されたシーケンスを生成するベクトル。
2.アクティベーション機能の役割
活性化関数は、ニューラルネットワークモデルを発現する能力を向上させ、非線形因子を結合するために使用され、問題を解決する線形モデルを解決することはできません。
3.SPP、YOLO
SPP-Netのはじめに：
SPP-Netは、次の二つの主要な改善点があります。
1）共有の畳み込み演算、2）。プーリング空間ピラミッド
また、SPP-Netの中にいくつかのパーツから構成：ssのアルゴリズム、CNNネットワーク、SVM分類器、バウンディングボックス
また、アートワーク世代の地域の提案ボックスSSアルゴリズムが、Conv5の抽出は、当然のことながら、そのR-CNNの最大の違いである寸法変化、スケーリング通過するConv5層上の抽出に起因するには、SPP-Netのです、それは畳み込み演算をフル活用していますので、理由に長い時間が大幅に一度だけ、であること、各画像の畳み込みを低減することができますが、推奨ブロックスケールを生成するために、SSアルゴリズムは矛盾しているので、この改善は、新たな問題をもたらしましたそうcov5特性規模で抽出された矛盾しているので、フルサイズのコンボリューション（Alexnet）を実行する方法はありません。
従ってSPPネットR-CNN層置き換えるプーリング、統一矛盾出力、SPP、すなわち空間ピラミッドプールを生成するために入力することができるアルゴリズムの必要性に加えているから、それをR-CNN同じで。
YOLO詳細：それは.YOLOの核となるアイデアは、問題解決としての目標リターンを検出することである高レベルな概要の独自の特性、YOLO最初の絵になると名前YOLOあなただけのSxS領域に見て、この地域の概念に注意を払うには、上記と異なっています領域は、上述したN領域スロー検出領域に異なる参照画像が真の画像がトリミングされ、またはスローピクセル検出器の部分画像に、ここでは分割領域、それが唯一の論理的な部門です。
4.なぜクロスエントロピーを持つニューラルネットワーク。
ニューラルネットワークのマルチ分類問題を解くときに、最も一般的な方法は、浅い中かどうか最後AlexNet出力層では、例えば、真であるニューラルネットワークCNNに、n個の出力ノードの最終層をセットアップすることです1000個のノード、及び完全に接続も解除ResNet層、最後のノードの出力層1000年が存在するであろう。一般的に、タスクの最後の宛先ノード番号と分類番号が出力層に等しい。最終的な仮定しましたノードNは、各サンプルのために、ニューラルネットワークは、出力結果としてN次元配列、カテゴリに対応する各配列の次元であることができる。最良のケースでは、サンプルはkに属する場合、次いで出力ノード1と他の出力ノードであることをカテゴリに対応する出力値が0、すなわち[0,0,1,0、... .0,0]であり、ラベルは、サンプルのアレイは、神経であります最も望ましいネットワークの出力は、エントロピーの相互近接は、実際の出力と所望の出力を決定するために使用されます。
5.RetinaNet効果がSSDよりも優れている理由
SSDは、それが浸漬されないこと.RetinaNet別の方法は、よく訓練された画像の背景クラスの損失を低減するために、トレーニング中にターゲットクラスの比及びバックグラウンドクラスをリサンプリングするので、限り、モデルは、背景を検出することができるように、それは、ターゲットクラスを強化するため、その損失は、再訓練を減らすことができます。そうRetinaNet優れたSSDの効果より。
