OpenMMLab寒假Day2

Day2:图像分类与基础视觉模型

图像分类是给定一张图片，识别图片中的物体是什么。

与Day1中不同的是，这里的机器学习步骤为：

1. 收集数据
2. 定义模型
3. 训练
4. 预测

传统特征工程：在 ImageNet 图像识别挑战赛里，2010 和 2011 年的冠军队伍都使用了经典的视觉方法，基于手工设计的特征 + 机器学习算法实现图像分类，Top-5 错误率在 25% 上下。

受限于人类的智慧，手工设计特征更多局限在像素层面的计算，丢失信息过多，在视觉任务上的性能达到瓶颈。

模型学习的范式

范式一：监督学习

范式二：自监督学习 常见类型有基于代理任务、基于对比学习、基于掩码学习。

数据增强

训练泛化性好的模型，需要大量多样化的数据，而数据的采集标注是有成本的。图像可以经过简单的变换产生一系列“副本”，扩充训练数据集。数据增强常见的有几何变换、色彩变换、随机遮挡，这些操作可以自由组合以生成更复杂的图像数据。

还有涉及OpenMMLab 项目中的配置文件，位于p120页，之后讲述了配置文件的运作方式、数据集等其他概念（留作实际运行时解决问题）