文章主要介绍了计算机视觉(CV)的几个关键应用领域，包括图像分类、目标检测、语义分割和实例分割。重点讨论了mmdetection框架，它支持目标检测和实例分割等任务。同时，概述了深度学习的四大类别：全监督学习、自监督学习、无监督学习和强化学习。最后，简要说明了深度学习模型的训练过程，从获取数据到损失计算和权重更新。
一、CV的主要应用方向
图像分类
目标检测
语义分割
实例分割（较语义分割难度更大，因为需要区分同一类别的不同个体）
二、mmdetection主要包含
目标检测
实例分割
全景分割
实例分割和全景分割包含在mmdet里面，而非mmseg，因为实例分割和全景分割与目标检测更加类似，需要对不同个体进行区分）
三、深度学习大分类
全监督学习
自监督学习（为提供标签，自己寻找标注）
无监督学习（聚类、降维等）
强化学习（评判标准为score，机器与环境相互影响，通过设置加减分来进行学习）
四、训练流程
获取dataloader内的图片和标签
将图片输入网络进行forward
依据结果和gt计算loss
loss.backward（）计算梯度
optim.step（）更新权重
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
