本文探讨了深度学习中的关键概念，如baseline（基础算法）作为比较起点，benchmark（评估标准）衡量模型性能，SOTA（最新技术水平）代表最佳实践，backbone（骨干网络）用于特征提取。此外，文章还涉及了参数调参策略、AblationStudies（消融研究）以及多模态领域的grouding任务。
-
baseline和benchmark是什么
我们发paper的目标就是要改进baselin和提高benchmark，其中baseline指的是具体的算法比较，而benchmark就是比较的指标。在和导师讨论时，老师经常会说先跑一个baseline出来，这个意思就是先通过现有的方法跑出结果，之后进行“模块修改”，试着跑一个更好的模型出来，什么样的模型更好呢？这就需要benchmark来衡量，它包括我们常见的一些准确率、查全率等。
所以baseline和benchmark都是我们在进行实验时的比较对象，baseline是算法，而benchmark是衡量算法好坏的标准。 -
sota是什么
sota全称是state of the art。指的是当前领域中表现最好的方法。 -
backbone是什么
指的是网络模型中的主干。一般用来进行特征提取，它们可以提前进行大数据集上的训练，之后进行fintune即可。 -
baseline调参
在我们提出一个模型后，需要进行竞对分析。说明实验相较于其他baseline的优点（参数量小、准确率高···），这时需要我们选用不同的baseline进行实验对比，但是不要进行原baseline的大幅度修改，少修改核心结构。例如，一个图像分类的任务，直接上resnet18训练。如果已经有其他的论文进行了数据集上的实验，则直接引用他人论文结果对比即可。 -
groud truth
已知的真实数据 -
Ablation Studies
指定是通过控制变量的方式，研究某个模块对于实验整体的影响。 -
grouding
这是在多模态领域中常用的一个术语，当我们需要将图片，音频等数据与文本进行对齐时，该任务就可以称为grouding任务，完成该任务的模型称为grouding model。
grouding 更多解释
参考文章：
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
