如果弄过机器学习或者数据挖掘等，相信大家对l1,l2正则化一定不会陌生，l1正则的特点是可以在一定程度上使学习出来的参数趋向于0，l2正则在一定程度上可以防止过拟合。所以很多人使用l1正则使学习出来的模型尽量稀疏，但是学习出来的稀疏模型，并不能对模型进行很好的加速，因为为0的参数太过均匀，不能批量的规避掉运算，这篇论文就是解决这种为0参数分布不均的情况。

CNN对图像的分类任务已经非常精准（实验室数据下），但是怎么样才能识别图片中特定部分的物体，在2015年之前还是一个很有挑战性的任务，这篇论文就给它指明了一个方向。

目标检测领域，从rbg大神提出之后，到目前逐渐分化出2大阵营，一种是以Proposal+classification为主的multi-stage的方法，另一种是以YOLO为代表的End2End的模型，前一种模型特点就是精度高，后一种的特点是速度快，但是后面肯定end2end也会达到multi-stage的精度。

继上一篇给各位大侠介绍了码农翻身成为艺术家之后，继续给大家安利一篇新的论文，上一篇论文最大的不足就是computation costly，在GPU上弄出一个艺术照都要1-2min，这个东西想弄成实时或者对外提供服务的还真是不行，所以需要一个更好的算法可以实现快速地将照片转化成艺术照片。

Faster rcnn是用来解决计算机视觉(CV)领域中Object Detection的问题的。经典的解决方案是使用: SS(selective search)产生proposal,之后使用像SVM之类的classifier进行分类，得到所有可能的目标. 使用SS的一个重要的弊端就是：特别耗时，而且使用像传统的SVM之类的浅层分类器，效果不佳。