作为无监督无配对图像的样式转换领域的标杆，CycleGAN让人印象深刻。通过一个循环一致loss(cycle consistency loss) 保证生成器生成的样本经过再生成，能够和原来样本保持相似一致性：
所以，生成器不仅要像普通GAN那样生成另一个样式域的图像，而且，这个生成的图像如果从另一个样式域映射回来，要和原图足够像才行：
但是CycleGAN也有缺点，CycleGAN不可能针对所有样式转换应用都适合，所以针对特殊应用需要修改，另外，这种双向GAN loss计算量就比较大，两个样式域的loss都要考虑。
针对这些，EnlightenGAN在训练夜景增强，低曝光还原的图像上试图更近一步：
事实上，CycleGAN和EnlightenGAN都是在loss上做了手脚（你必须告诉GAN要生成和原图相似的图像，不是吗？）。
但EnlightenGAN 更进一步 ，做到了单向GAN训练（无需cycle循环）： 继续阅读对标CycleGAN：EnlightenGAN是如何无监督(无配对图像)训练夜景增强，低曝光还原的？
把基于概率的自动化叫做AI是否有些可笑？ — David 9
原文：An Intuitive Explanation of Connectionist Temporal Classification
聊到CTC（Connectionist Temporal Classification），很多人的第一反应是ctc擅长单行验证码识别：
是的，ctc可以提高单行文本识别鲁棒性（不同长度不同位置 ）。今天David 9分享的这篇文章用几个重点直观的见解把ctc讲的简洁易懂，所以在这里就和大家一起补一补ctc 。
首先ctc算不上一个框架，更像是连接在神经网络后的一个归纳字符连接性的操作：
cnn提取图像像素特征，rnn提取图像时序特征，而ctc归纳字符间的连接特性。
那么CTC有什么好处？
因手写字符的随机性，人工可以标注字符出现的像素范围，但是太过麻烦，ctc可以告诉我们哪些像素范围对应的字符：
如上图标注“t”的位置出现t字符，标注o的区域出现o字符。 继续阅读CTC的直观理解（Connectionist Temporal Classification连接时序分类），单行文本时序分类识别的端到端方法
狙击手在放大倍焦前已经经历了大量的小目标训练，这样看似乎是RPN做的好 — David 9
之前在讲SSD时我们聊过SSD的目标检测是如何提高多尺度（较大或较小）物体检测率的。我们来回顾一下，首先，较大的卷积窗口可以卷积后看到较大的物体, 反之只能看到较小的图片. 想象用1*1的最小卷积窗口, 最后卷积的图片粒度和输入图片粒度一模一样. 但是如果用图片长*宽 的卷积窗口, 只能编码出一个大粒度的输出特征.
对于yolov1，每层使用同样大小的卷积窗口, 识别超大物体或者超小物体就变得无能为力（最后一层的输出特征图是固定7*7）:
而SSD就更进一步，最后一层的检测是由之前多个尺度（Multi-Scale）的特征图共同生成的：
这样SSD在计算复杂度允许的情况下，在多尺度物体的检测上有所提高。但是SSD也有明显缺陷，其最后几层的所谓“多尺度”是有限的（如上图特征图尺寸越小，可以识别的物体越大）。对于极小的目标识别，SSD就显得无能为力了， 继续阅读聊聊目标检测中的多尺度检测（Multi-Scale），从YOLO，ssd到FPN，SNIPER，SSD填坑贴和极大极小目标识别
