本篇文章整理、归纳了自己学习Deep Learning方面的一些资料，包括GitHub Awesome，DL框架如TensorFlow，分布式教程，卷积神经网络CNN，物体检测Paper，循环神经网络RNN、LSTM等，以及斯坦福CS231n计算机视觉识别和Coursera Andrew Ng机器学习等相关课程整理。

本文主要关于物体检测模型梳理 RCNN，SPP-Net，Fast RCNN，Faster RCNN，R-FCN，YOLO，YOLO2，SSD，NMS等

[Abstract] We present Model-based Analysis of ChIP-Seq data, MACS, which analyzes data generated by short read sequencers such as Solexa’s Genome Analyzer. MACS empirically models the shift size of ChIP-Seq tags, and uses it to improve the spatial resolution of predicted binding sites. MACS also uses a dynamic Poisson distribution to effectively capture local biases in the genome, allowing for more robust predictions. MACS compares favorably to existing ChIP-Seq peak-finding algorithms, and is freely available.

• 任务说明书：[pdf] buflab | http://csapp.cs.cmu.edu/public/labs.html
• 数据包下载：buflab-handout.tar
• 实验源码：zhwhong/Bufbomb_CSAPP
• 同步简书：Bufbomb缓冲区溢出攻击实验详解-zhwhong

在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的工具，它可以帮助人们更好地了解分类中的错误。

本文主要总结一下神经网络可视化的一些工具，包括tensorflow的tensorboard，支持caffe中prototxt格式网络结构可视化工具Netscope，python的draw_net绘制网络模型，tensorflow的Neural Network Playground，可以直接在浏览器演示的ConvnetJS，word embedding visual inspector的wevi，以及Mengchen Liu 等人提出的一个可视化分析系统CNNVis，帮助机器学习专家更好的理解、分析、设计深度卷积神经网络。

• 文章首发于简书：LIDC-IDRI肺结节公开数据集Dicom和XML标注详解，现在搬运至博客。

一、数据来源

　　数据集采用为 LIDC-IDRI (The Lung Image Database Consortium)，该数据集由胸部医学图像文件(如CT、X光片)和对应的诊断结果病变标注组成。该数据是由美国国家癌症研究所(National Cancer Institute)发起收集的，目的是为了研究高危人群早期癌症检测。

本文整理、归纳了自己学习Deep Learning，Computer Vision方向看到的相关研究机构以及各位大佬们的信息。打算从事这个行业或者刚入门的朋友可以多关注、多了解一些CV的具体应用。搞研究的朋友也可以从中了解到很多牛人的研究动态、招生情况等。

有句话说得好，Sharing changes the world!，知识只有分享才能产生更大的价值，希望能对朋友们有所帮助。