问题汇总整理

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