add references papers for feature learning apps

docs/zh_CN/application/cartoon_character_recognition.md

@@ -25,12 +25,14 @@
 
 ## 2 实验结果
 
-本方法使用iCartoonFace数据集进行验证。该数据集由 5013 个动漫角色的 389678 张图像组成，并带有 ID、边界框、姿势和其他辅助属性。 iCartoonFace 是目前图像识别领域规模最大的卡通媒体数据集，而且质量高、注释丰富、内容全面，其中包含相似图像、有遮挡的图像以及外观有变化的图像。
+本方法使用iCartoonFace[1]数据集进行验证。该数据集由 5013 个动漫角色的 389678 张图像组成，并带有 ID、边界框、姿势和其他辅助属性。 iCartoonFace 是目前图像识别领域规模最大的卡通媒体数据集，而且质量高、注释丰富、内容全面，其中包含相似图像、有遮挡的图像以及外观有变化的图像。
 与其他数据集相比，iCartoonFace无论在图像数量还是实体数量上，均具有明显领先的优势。其中训练集： 5013类，389678张图像； 验证集： query2500张，gallery20000张。
 
 ![icartoon](../../images/icartoon1.png)
 
-论文地址：https://arxiv.org/pdf/1907.1339
-
 值得注意的是，相比于人脸识别任务，动漫人物头像的配饰、道具、发型等因素可以显著提升识别的准确率，因此在原数据集标注框的基础上，长、宽各expand为之前的2倍，并做截断处理，得到了目前训练所有的数据集。
 在此数据集上，此方法Recall1 达到83.24%。
+
+## 3 参考文献
+
+[1] Cartoon Face Recognition: A Benchmark Dataset. 2020. [下载地址](https://github.com/luxiangju-PersonAI/iCartoonFace)

docs/zh_CN/application/logo_recognition.md

@@ -41,8 +41,12 @@
 
 <img src="../../images/logo/logodet3k.jpg" style="zoom:50%;" />
 
-使用LogoDet-3K数据集进行实验，此数据集是具有完整标注的Logo数据集，有3000个标识类别，约20万个高质量的人工标注的标识对象和158652张图片。相关数据介绍参考[原论文](https://arxiv.org/abs/2008.05359)
+使用LogoDet-3K[1]数据集进行实验，此数据集是具有完整标注的Logo数据集，有3000个标识类别，约20万个高质量的人工标注的标识对象和158652张图片。
 
 由于原始的数据集中，图像包含标注的检测框，在识别阶段只考虑检测器抠图后的logo区域，因此采用原始的标注框抠出Logo区域图像构成训练集，排除背景在识别阶段的影响。对数据集进行划分，产生155427张训练集，覆盖3000个logo类别（同时作为测试时gallery图库），3225张测试集，用于作为查询集。抠图后的训练集可[在此下载](https://arxiv.org/abs/2008.05359)
 
 在此数据集上，recall1 达到89.8%。
+
+## 3 参考文献
+
+[1] LogoDet-3K: A Large-Scale Image Dataset for Logo Detection[J]. arXiv preprint arXiv:2008.05359, 2020.

docs/zh_CN/application/product_recognition.md

@@ -12,7 +12,7 @@
 
 ### 1.1数据增强
 
-- 图像`Resize`到224x224
+- 图像`RandomCrop`到224x224
 - 图像`RandomFlip`
 - Normlize：图像归一化  
 
@@ -26,12 +26,16 @@
 
 ### 1.4 Metric Learning相关Loss的设置
 
-目前使用了[CELoss](../../../ppcls/loss/celoss.py)训练, 为了获得更加鲁棒的特征，后续会使用其他Loss参与训练，敬请期待
+目前使用了[CELoss](../../../ppcls/loss/celoss.py)训练, 为了获得更加鲁棒的特征，后续会使用其他Loss参与训练，敬请期待。
 
 ## 2 实验结果
 
 <img src="../../images/product/aliproduct.png" style="zoom:50%;" />
 
-此方案在Aliproduct数据集上进行实验。此数据集是天池竞赛开源的一个数据集，也是目前开源的最大的商品数据集，其有5万多个标识类别，约250万训练图片。相关数据介绍参考[原论文](https://arxiv.org/abs/2008.05359)。
+此方案在Aliproduct[1]数据集上进行实验。此数据集是天池竞赛开源的一个数据集，也是目前开源的最大的商品数据集，其有5万多个标识类别，约250万训练图片。
 
 在此数据上，单模型Top 1 Acc：85.67%。
+
+## 3 参考文献
+
+[1] Weakly Supervised Learning with Side Information for Noisy Labeled Images. ECCV, 2020.