3d目标检测 | 模型基础概念

模型入门需要关注的五大问题

1. 数据集是什么？（都自带哪些信息）

2. 模型的输入具体是什么？（使用数据集的哪一部分作为输入）

3. 模型预测哪些值？

4. loss计算时，标签值是否可以直接获取？

5. 评估/推理时，网络预测值是否需要decode？

1. Pipeline

什么是Pipeline？

pipeline，即操作流水线，也称综合解决方案。

Pipeline是由很多组件步骤链接起来的“一条龙服务”方案。

一个基础的深度学习的Pipeline 主要包含了下述 5 个步骤：

1. 数据读取
2. 数据预处理 
3. 创建模型（具体到模型也有相应的Pipeline,比如模型的具体构成部分：比如                                  GCN+Attention+MLP的混合模型）
4. 评估模型结果
5. 模型调参

2. 数据增强

什么是数据增强？

数据增强也叫数据扩增，意思是在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值。

数据增强的作用？

数据增强的本质是为了增强模型的泛化能力、 避免过拟合。

数据增强有哪些常见方法？

2.1. 单样本数据增强

所谓单样本数据增强，即增强一个样本的时候，全部围绕着该样本本身进行操作，包括几何变换类，颜色变换类等。

(1) 几何变换类：翻转，旋转，裁剪，变形，缩放等

(2) 颜色变换类：噪声、模糊、颜色变换、擦除、填充等

2.2. 多样本数据增强

不同于单样本数据增强，多样本数据增强方法利用多个样本来产生新的样本，例如GAN，生成新的样本数据。

3. 正负样本不均衡问题

什么是正负样本？

正样本是指属于某目标类别的样本，负样本是指不属于目标类别的样本

正负样本不均衡会带来什么问题？

        主要是对分类的影响，在分类模型中，模型更偏向对多数类的预测概率，从而导致少数类的预测精度大幅度下降，虽然整体来看精度很好，但这与实际工作不符。

        例如在一张图中，正样本数量为1-10，而负样本数量为100-1000，则这么多的负样本不仅对训练网络起不到什么作用，反而会淹没掉少量但有助于训练的样本。

解决办法？