qq_72884811的博客

原创 200MB的x光膝关节OAI数据集的Acc挑战

Kaggle上的大概8000张224×224图像，设置训练、验证、测试集分别为7：1：2。经过多轮实验已将测试集的ACC跑到70.41%，想知道现有更高的Acc。

原创 单阶段（single-stage）和双阶段（two-stage）检测

相比单阶段增加的是双阶段检测首先使用区域提取网络生成一组候选区域，然后通过卷积神经网络对每个候选区域进行分类，虽然双阶段检提供更高的准确性，但它们需要更多的计算资源和时间。单阶段检测算法通过将整个图像输入分类器，实现快速且高效的目标识别。

原创 简述对抗训练

要认识对抗训练，首先要了解什么是“对抗样本”，简单来说，它是指对于人类来说“看起来”几乎一样、但对于模型来说预测结果却完全不一样的样本，如下面的例子。例子中经过噪声处理后的图像就成为一个对抗样本，尽管处理前后的图像十分相似，但机器却判定为另一种类型。对抗训练就是构造了一些对抗样本加入到原数据集中，希望增强模型对对抗样本的鲁棒性。

原创 机器学习和深度学习的区别

原创 AI中的端到端

因此，我们可以看到，端到端或者非端到端，往往是形容一个模型对输入数据的要求。如果模型可以直接通过输入“原始数据”来得到输出，那么我们就说这个模型是端到端的。深度学习和人工智能领域，端到端的概念表示。

原创 卷积神经网络(CNN)和深度神经网络(DNN)的区别

现实世界的任务（如图像识别、语言翻译、自动驾驶决策）本质是 “高度非线性问题”—— 输入（如像素）与输出（如 “猫” 的类别）之间的关系，无法用简单的线性公式表达。，是一种在计算机视觉领域取得了巨大成功的深度学习模型，特别适用于处理具有网格结构的数据，如图像和视频。传统神经网络要想识别多幅图像中的同一物体是存在困难的，我们希望的是一个物体不管是在图像的左侧、右侧，对图像放大、缩小、变暗，模型都能够精准识别。传统机器学习（如 SVM、决策树）擅长处理 “结构化数据”（如表格中的数值、分类标签），但面对。

原创 自注意力(Self-Attention)和交叉注意力(Cross-Attention)的区别

是 Transformer 架构中的核心机制，主要用于捕捉。