little mmodify

ch4_经典网络/modify_log.txt

@@ -24,6 +24,9 @@ modify_log---->用来记录修改日志
 1. 删除4.6.3，4.8.4
 2. 修改4.3问题答案，添加部分论文链接
 
+<----qjhuang-2018-11-9---->
+1. 修改部分书写错误
+
 其他---->待增加
 2. 修改readme内容
 3. 修改modify内容

ch4_经典网络/第四章_经典网络.md

@@ -421,7 +421,7 @@ figure 6' 17/8之间的特征图尺寸缩小
 ![](./img/ch4/image47.png) 
  
     
-Inception v4 中的Inception模块（分别为Inception A Inception B Inception C
+Inception v4 中的Inception模块（分别为Inception A Inception B Inception C）
 
 ![](./img/ch4/image48.png) 
 
@@ -466,8 +466,6 @@ Inception-ResNet-v2中的reduction模块（分别为reduction A reduction B）
 ![](./img/ch4/image63.png) 
 
 # 4.8 ResNet及其变体
-    
-http://www.sohu.com/a/157818653_390227
 
     
 自从AlexNet在LSVRC2012分类比赛中取得胜利之后，深度残差网络（Deep Residual Network）可以说成为过去几年中，在计算机视觉、深度学习社区领域中最具突破性的成果了。ResNet可以实现高达数百，甚至数千个层的训练，且仍能获得超赞的性能。

ch9_图像分割/第九章_图像分割.md

@@ -219,9 +219,7 @@ learning rate：0.001。
   
 (2)	左边的网络是收缩路径：使用卷积和maxpooling。  
   
-(3)	右边的网络是扩张路径:使用上采样产生的特征图与左侧收缩路径对应层产生的特征图进行concatenate操作。（pooling层会丢失图像信息和降低图像分辨率且是不可逆的操作，对图像分割任务有一些影响，对图像分类任务的影响不大，为什么要做上采样？ 
+(3)	右边的网络是扩张路径:使用上采样产生的特征图与左侧收缩路径对应层产生的特征图进行concatenate操作。（pooling层会丢失图像信息和降低图像分辨率且是不可逆的操作，对图像分割任务有一些影响，对图像分类任务的影响不大，为什么要做上采样？因为上采样可以补足一些图片的信息，但是信息补充的肯定不完全，所以还需要与左边的分辨率比较高的图片相连接起来（直接复制过来再裁剪到与上采样图片一样大小），这就相当于在高分辨率和更抽象特征当中做一个折衷，因为随着卷积次数增多，提取的特征也更加有效，更加抽象，上采样的图片是经历多次卷积后的图片，肯定是比较高效和抽象的图片，然后把它与左边不怎么抽象但更高分辨率的特征图片进行连接）。  
-  
-因为上采样可以补足一些图片的信息，但是信息补充的肯定不完全，所以还需要与左边的分辨率比较高的图片相连接起来（直接复制过来再裁剪到与上采样图片一样大小），这就相当于在高分辨率和更抽象特征当中做一个折衷，因为随着卷积次数增多，提取的特征也更加有效，更加抽象，上采样的图片是经历多次卷积后的图片，肯定是比较高效和抽象的图片，然后把它与左边不怎么抽象但更高分辨率的特征图片进行连接）。  
   
 (4)	最后再经过两次反卷积操作，生成特征图，再用两个1X1的卷积做分类得到最后的两张heatmap,例如第一张表示的是第一类的得分，第二张表示第二类的得分heatmap,然后作为softmax函数的输入，算出概率比较大的softmax类，选择它作为输入给交叉熵进行反向传播训练。
 
@@ -608,14 +606,14 @@ ScribbleSup分为两步，第一步将像素的类别信息从scribbles传播到
 Graph Cut的能量函数为：
 
 $$
-\sum_{i}\psi _i\left ( y_i | X,S \right ) +\sum_{i,j}\psi _{ij}\left ( y_i,y_j,X \right )
+\sum_{i}\psi _i\left(y_i|X,S\right)+\sum_{i,j}\psi_{ij}\left(y_i,y_j,X\right)
 $$
 
   
 在这个graph中，每个super-pixel是graph中的一个节点，相接壤的super-pixel之间有一条连接的边。这个能量函数中的一元项包括两种情况，一个是来自于scribble的，一个是来自CNN对该super-pixel预测的概率。整个最优化过程实际上是求graph cut能量函数和CNN参数联合最优值的过程：
 
 $$
-\sum_{i}\psi _i^{scr}\left ( y_i | X,S \right ) +\sum _i-logP\left(y_i | X,\theta \right)+\sum_{i,j}\psi _{ij}\left ( y_i,y_j| X \right )
+\sum_{i}\psi _i^{scr}\left(y_i|X,S\right)+\sum _i-logP\left(y_i| X,\theta\right)+\sum_{i,j}\psi _{ij}\left(y_i,y_j|X\right)
 $$
 
   
@@ -633,9 +631,9 @@ UC Berkeley的Deepak Pathak使用了一个具有图像级别标记的训练数
 
 该方法把训练过程看作是有线性限制条件的最优化过程：
 $$
-\underset{\theta ,P}{minimize} \qquad D(P(X)||Q(X|\theta ))\\
+\underset{\theta ,P}{minimize}\qquad D(P(X)||Q(X|\theta ))\\
 
-subject\ to \qquad  A\overrightarrow{P}\geqslant \overrightarrow{b},\sum_{X}^{ }P(X)=1
+subject\to\qquad A\overrightarrow{P}\geqslant\overrightarrow{b},\sum_{X}^{ }P(X)=1
 $$