概念--人工智能、机器学习与深度学习的区别与联系

人工智能、机器学习与深度学习的区别与联系_Forward no stop -优快云博客_机器学习与深度学习

人工智能简介（一）——深度AI科普调研团队_小白不白-优快云博客

AI综述专栏 | 朱松纯教授浅谈人工智能：现状、任务、构架与统一 (sohu.com)：

人工智能是一个非常广泛的领域。当前人工智能涵盖很多大的学科，我把它们归纳为六个：

（1）计算机视觉（暂且把模式识别，图像处理等问题归入其中）、

（2）自然语言理解与交流（暂且把语音识别、合成归入其中，包括对话）、

（3）认知与推理（包含各种物理和社会常识）、

（4）机器人学（机械、控制、设计、运动规划、任务规划等）、

（5）博弈与伦理（多代理人agents的交互、对抗与合作，机器人与社会融合等议题）、

（6）机器学习（各种统计的建模、分析工具和计算的方法），

计算机视觉是一个domain， 它有很多问题要研究， 就像物理学。 而机器学习基本是一个方法和工具，就像数学和统计学。 

机器学习框架概念：caffe，Pytorch，tensorflow，keras

tensorflow简介以及与Keras的关系、常用机器学习框架一览_德prince-优快云博客

计算机视觉方向综述：

计算机视觉入门系列（一） 综述_Computer Vision-优快云博客_计算机视觉综述

物体识别和检测（Object Detection）

语义分割（Semantic Segmentation）

运动和跟踪（Motion & Tracking）

三维重建（3D Reconstruction） 

视觉问答（Visual Question & Answering）

动作识别（Action Recognition）

(1条消息) 详解计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割..._AI科技大本营-优快云博客

(1条消息) 2019计算机视觉方向调研_给时光以生命-优快云博客

backbone：

这个单词原意指的是人的脊梁骨，后来引申为支柱，核心的意思。在神经网络中，尤其是CV领域，一般先对图像进行特征提取（常见的有vggnet，resnet，谷歌的inception），这一部分是整个CV任务的根基，因为后续的下游任务都是基于提取出来的图像特征去做文章（比如分类，生成等等）。所以将这一部分网络结构称为backbone十分形象，仿佛是一个人站起来的支柱。

主干网络，用来做特征提取的网络，代表网络的一部分，一般是用于前端提取图片信息，生成特征图feature map,供后面的网络使用。通常用VGGNet还有你说的Resnet，因为这些backbone特征提取能力是很强，并且可以加载官方在大型数据集(Pascal 、Imagenet)上训练好的模型参数，然后接自己的网络，进行微调finetune即可。

(1条消息) 深度学习中的经典基础网络结构（backbone）总结_生命在于折腾！-优快云博客_深度学习backbone

SOTA全称是state of the art，是指在特定任务中目前表现最好的方法或模型。state-of-the-art/ state of the art，用来表述“当前最新的（方法）”

Benchmark和baseline都是指最基础的比较对象。你论文的motivation来自于想超越现有baseline/benchmark，你的实验数据都需要以baseline/benckmark为基准来判断是否有提高。唯一的区别就是baseline讲究一套方法，而benchmark更偏向于一个目前最高的指标，比如precision，recall等等可量化的指标。举个例子，NLP任务中BERT是目前的SOTA，你有idea可以超过BERT。那在论文中的实验部分你的方法需要比较的baseline就是BERT，而需要比较的benchmark就是BERT具体的各项指标。