m0_47062524的博客

全卷积网络FCN就是上面这种优化方法，把全连接层全部换成了卷积，这样可以实现任意尺寸的输入。使分割结果从模糊变清晰 是一种概率模型，鼓励仅在原图颜色边界处产生类别变化，内部不发生变化。转置卷积的卷积核可以写成转置矩阵的形式。PSPNet2016就用了多尺度池化得到不同尺度的特征图。应用：医疗影像分析，自动驾驶，遥感影像解译，视频会议。如果滑块的感受野足够大，就可以获取一些上下文信息。空洞卷积：在不增加参数的情况下增大感受野；复用卷积计算，可以降低计算量。语义分割仅考虑像素的类别。上下文：图块周围的信息。

在特征图上进行密集预测，实际上就是用卷积去进行滑窗这件事，但是它的效率是远远高于滑窗的。正负样本不均衡：朴素的分类损失无法驱动检测器达到漏检和错检的平衡，通俗来说，就是更加倾向于背景预测。边界框： BoundingBox框指图像上的矩形框 边界横平竖直，包围感兴趣的物体的框。Retina Net是基于focal loss的一阶段的模型，解决了样本不均衡的问题。交并比：交集面积和并集面积的比值，是矩形框重合程度的衡量指标。边界框回归：让模型在预测类别的同时预测边界框的偏移量。问题：效率问题，计算成本特别高。

对早期的网络，有全连接层的神经网络，都要求指定的尺寸才能输入到全连接层中。而后续的那些没有全连接层的神经网络，可以兼容任意尺寸的图像。用anaconda创建python环境，module avail可以看到里面所有安装好的程序。北京超级云计算和国家重要信息化基础平台；使用的模型，训练的数据，训练的策略等等。SSH linux平台的控制台。Run文件夹里有300G的容量。训练数据是否固定尺寸？

神经结构搜索：让机器搜一些模型出来，接触强化学习等方法搜索最佳网络，是强化学习的逻辑，它的网络结构就没有人工设计的那么规整。神经结构搜索：让机器搜一些模型出来，接触强化学习等方法搜索最佳网络，是强化学习的逻辑，它的网络结构就没有人工设计的那么规整。数据增强：通过简单的变换产生一系列的副本，对训练数据集进行扩充，用更多样化的数据来训练泛化性好的模型，降低标注数据集的成本。数据增强：通过简单的变换产生一系列的副本，对训练数据集进行扩充，用更多样化的数据来训练泛化性好的模型，降低标注数据集的成本。

传统计算机视觉的基本原理是设计卷积核，来找到图像的特征的过程。ImageNet是李飞飞教授启动的项目，为计算机视觉算法提供了一个庞大的、高质量的图片库。边缘提取是它的第一步（1964 Larry Roberts），三维提取（1982），人脸检测（2001），现在它们都是opencv的函数了。卷积神经网络是解决这两个问题而诞生的，卷积神经网络局部链接（每个卷积核只参与一部分图像），共享权重，大量节约参数，又有效提取了图像的特征。神经网络的训练流程：计算样本的损失，计算样本损失的梯度，根据梯度信息更新参数。