PyTorch的学习（2）--基本概念理解

1、人工智能：

        弱人工智能：特定任务（语言处理领域-谷歌翻译）

        强人工智能：类似人类

        超人工智能：超越人类

2、机器学习的思想：是让机器自动地从大量的数据中学习出规律，并利用该规律对未知的数据做出预测。（实现人工智能的重要途径）

算法分为：

        监督学习：包括训练和预测。（决策树、支持向量机、神经网络）

        无监督学习：采用某种形式的汇报来激励模型做出一定的决策。K-Means聚类算法

        强化学习：在一定的环境中学习，每次行动会有对应的奖励，目标是使奖励最大化。

3、深度学习：是特指利用深度神经网络的结构完成训练和预测的算法。

4、计算机视觉领域

• 图像成像：修复图像的DCGAN网络、图像风格迁移的CycleGAN，在医学成像、卫星像等领域，超分辨率也至关重要，例如SRCNN
• 2.5D空间：光流的估计、单目的深度估计以及双目的深度估计
• 3D空间：应用于机器人或者自动驾驶，主要任务有相机标定、视觉里程计及SLAM等
• 环境理解：图像分类（Classification）——判断每张图像是什么物件、                                                      物体检测（ObjectDetection）——判断出物体出现的位置与类别、                                            图像分割（Segmentation）——判断出每一个像素属于哪一个类别、物体跟踪（Tracking）及关键点检测。图像分割：语义分割和实例分割。

5、物体检测

物体检测技术，通常是指在一张图像中检测出物体出现的位置及对应的类别。

检测器输出五个量：物体类别、、、、。

6、检测器评价指标

判断检测的质量——从预测框与真实款的贴合程度

        IoU：两个边框的交集与并集的比值。（大于0.5—有效的检测，否则无效）

判断模型的好坏——mAP（多个类别的平均精度）