目标检测的一些相关定义

强监督和弱监督

强监督就是利用较好的分类信息（除了图像的类别标签外，还使用了物体标注框和部位标注点等额外的人工标注信息）对图片进行识别和定位；而弱监督是利用较少的标注信息进行训练。

弱监督学习

已知一些数据和其对应的弱标签，训练一个智能算法，将新输入数据映射到一组更强的标签的过程。标签的强弱指的是标签蕴含的信息量的多少。比如，相对于分割的标签来说，分类的标签就是弱标签。

监督学习

已知一些数据和其对应的标签，训练一个智能算法，将新输入数据映射到标签的过程。比如，已知一些图片是猪，一些图片不是猪，训练一个算法，当一个新的图片输入算法的时候算法告诉我们这张图片是或者不是猪。

无监督学习

已知一些数据，不知道任何数据相对应的标签，按照一定的偏好，训练一个智能算法，将所有的数据映射到多个不同标签的过程。所谓的按照一定的偏好，是比如特征空间距离最近，等人们认为属于一类的事物应具有的一些特点。举个例子，猪和鸵鸟混杂在一起，算法会测量高度，发现动物们主要集中在两个高度，一类动物身高一米左右，另一类动物身高半米左右，那么算法按照就近原则，75厘米以上的就是高的那类也就是鸵鸟，矮的那类是第二类也就是猪。

参考：深度学习：基本概要：监督，无监督，半监督，弱监督，多示例，迁移学习_work_coder的博客-CSDN博客_深度学习 监督

细粒度图像分类

细粒度图像分类问题是对大类下的子类进行识别。细粒度图像分析任务相对通用图像任务的区别和难点在于其图像所属类别的粒度更为精细。举个例子，通用图像分类其任务诉求通常是将“袋鼠”和“狗”这两个物体大类分开，两者无论从样貌、形态等方面还是很容易被区分的；而细粒度图像的分类任务则要求对“狗”该类类别下细粒度的子类，比如分别将“哈士奇”和“爱斯基摩犬”的图像分辨开。

参考：细粒度图像分类（FGVC）---综述_xys430381_1的博客-CSDN博客_细粒度分类

消失点检测

消失点（Vanishing point）是三维（3D）空间中所有平行线相交的交点。消失点在检测道路车道方面起着重要作用，因为车道在真实世界的3D空间中是平行的，但它们在二维相机图像中车道最终会在消失点相遇。 因此，对于自动驾驶消失点检测是必要的。

参考：使用Ransac进行消失点（Vanishing point ）检测 · Sika (sikasjc.github.io)

学习多粒度对齐

还没学。。。