NP问题
P问题:一个问题可以在Polynominal的时间的得到解决;
NP问题:NP是指非确定性多项式(non-deterministic polynomial,缩写NP),可以在Polynominal的时间内得到解决的问题,有参考答案,可以在Polynominal时间内验证参考答案是不是已知问题的答案。P问题是NP问题的子集;
NP-Hard问题:现在倾向于NP完全问题和NP难题的大型实例不能用精确算法求解,必须寻求这类问题的有效的近似算法进行求解。
斯坦纳树(Steiner tree problem)
斯坦纳树问题是组合优化问题,与最小生成树相似,是最短网络的一种。最小生成树是在给定的点集和边中寻求最短网络使所有点连通。而最小斯坦纳树允许在给定点外增加额外的点,使生成的最短网络开销最小。
图嵌入(Graph embedding)
将图数据通过高维稠密矩阵映射到低维稠密向量的过程。
其优势在于解决图数据难以高效输入机器学习算法的问题。
强化学习
强化学习是智能体(Agent)以“试错”的方式进行学习,通过与环境进行交互获得的奖赏指导行为,目标是使智能体获得最大的奖赏,强化学习不同于连接主义学习中的监督学习,主要表现在强化信号上,强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号),而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少,RLS必须靠自身的经历进行学习。通过这种方式,RLS在行动-评价的环境中获得知识,改进行动方案以适应环境。
贪婪算法
贪心算法(又称贪婪算法)是指,在对问题求解时,总是做出在当前看来是最好的选择。也就是说,不从整体最优上加以考虑,算法得到的是在某种意义上的局部最优解。
backbone,neck,head
backbone: 主干网络、一般指代特征提取网络,经常使用一些经典并优秀的网络如resner或者VGG之类;
neck: 融合backbone给出的特征,经常使用的诸如FPN,ASFF、RFB、SPP等;
head: 输出检测目标的位置或者分类。
depthwise convolution
Depthwise(DW)卷积与Pointwise(PW)卷积,合起来被称作Depthwise Separable Convolution,一般用来提取特征,相比于常规卷积操作,其参数量和运算成本较低。
Depthwise:通过分通道进行卷积,没用利用不同通道相同位置上的特征信息,需要借助pointwise进行特征组合,生成新的feature map。
Pointwise(PW):该卷积运算会将上一步的map在深度方向上进行加权组合,生成新的Feature map。有几个卷积核就会生成几个feature map.
参考链接:https://blog.csdn.net/tintinetmilou/article/details/81607721