神经网络与深度学习第三周

一、常用视觉数据集

1.1 MNIST

• 手写数字识别数据集，共10类（0-9）。

• 图像大小28x28，灰度图。

• 包含60,000张训练图像和10,000张测试图像。

1.2 Fashion-MNIST

• 替代MNIST的时尚商品图像数据集。

• 类别包括T恤、裤子、鞋等10类。

• 同样是28x28灰度图，结构和划分与MNIST一致。

1.3 CIFAR-10

• 包含10类的60000张32x32彩色图像。

• 分为50000训练图像和10000测试图像。

1.4 PASCAL VOC

• 包含20类目标，广泛用于目标检测、分割、分类。

• 使用XML格式标注图像信息（如类别、位置等）。

• 常用版本为VOC2012。

1.5 MS COCO

• 包含80类目标，支持检测、分割、关键点标注。

• 超过33万张图像，20万张带标注。

• 多目标、多场景、实例分割支持，使用广泛。

1.6 ImageNet & JFT-300M

• ImageNet：李飞飞团队提出，超1400万图像，支持21K类别。

• JFT-300M：谷歌内部数据集，3亿图像，10亿标签，用于大规模图像分类训练。

---

二、模型评价指标

2.1 精确率（Precision）与召回率（Recall）

• TP：真正例，FP：假正例，FN：假负例，TN：真负例。

• Precision = TP / (TP + FP)：判断正类的准确程度。

• Recall = TP / (TP + FN)：表示模型找出正类的能力。

• Accuracy = (TP + TN) / (TP + TN + FP + FN)：总体正确率。

2.2 P-R 曲线与平均精度（AP/mAP）

• PR曲线展示Precision与Recall的权衡。

• AP（Average Precision）：PR曲线下的面积。

• mAP（mean AP）：多类别平均AP，用于目标检测性能综合评估。

---

三、目标检测与YOLO方法

3.1 目标检测问题

• 任务目标：在图像中定位并分类所有目标实例。

• 难点：多尺度、多类别、遮挡等。

3.2 目标检测方法演进

• 传统系列：R-CNN → SPPNet → Fast R-CNN → Faster R-CNN。

• YOLO（You Only Look Once）：

  • 将检测任务转化为回归问题。

  • 整张图像一次前向传递完成目标定位与分类。

  • 实现端到端、速度快。

---

四、语义分割与全卷积网络（FCN）

4.1 FCN与DeepLab系列

• FCN（Fully Convolutional Network）：将全连接层转化为卷积层，实现像素级分类。

• DeepLab v3：当前主流的语义分割模型，采用空洞卷积、CRF优化等技术。