AI之算法采样·

在实际的算法工程中，在模型基本不变的情况下，数据的采集及数据的表示学习往往具有非常关键的作用。

---

这其中有以下几个重点：

1. 数据采集的全面性。我们需要的场景往往分布在一个狭窄的时间域，整体数据量很多，但是真实有用的部分只占一小部分，人工筛选需要细致耐心，而且比较像大海捞针。。
2. 要做到全面性，主要考虑到算法会面对那些场景和行为。比如不同时间的数据，可能会有哪些变化。场景角度、重叠的变化，尤其是摄像机采样的拍摄角度，对采集数据的质量也可能有影响。
3. 其三是要考虑具体工业场景对设备的可能的影响，会不会导致算法失灵。比如煤矿油田，会不会有煤尘、油污把摄像机镜头污染影响算法的情况？振动会不会带来相机的位移？算法能在多大程度上克服环境的影响？克服不了的情况能否有预置预防方式或者后置处理方式？
4. 算法的迁移性能如何提升？这样可以适用于更多场景、减少开发周期。