OpenMMlab AI实战营 打卡笔记DAY1

part1 计算机视觉基础

1.1计算机视觉

用一定算法对图像数据比如照片或视频等信息进行数据挖掘，特征提取，识别鉴定。

1.2 主要任务

        · 图像分类

        · 目标检测

        · 图像分割

图像分割分为语义分割（对像素进行分割，不分割每个物体）与实例分割（对像素与物体进行分割，要分割每一个物体）

---

part2 OpenMMlab 算法体系

2.1 OpenMMLab

OpenMMLab包含几乎视觉领域全部的算法模型，可以通过OpenMMLab的算法库训练得到的模型通过MMDeploy来转成各种硬件所支持的格式进行部署应用

2.2 算法框架介绍

--MMDetection: 支持目标检测、实例分割、全景分割（在实例分割基础上分割背景）

--MMDetction3D: 支持3D目标检测（通过点云数据确定3D位置）

--MMClassfication: 支持图像分类

--MMSegmentation: 支持图像分割

--MMPose: 人体姿态估计

--MMHuman3D: 人体3D重建

--MMTracking: 进行目标追踪

--MMAction2: 对时序动作进行检测

--MMOCR: 支持文本识别

--MMEditing: 在像素层面进行处理比如图像修复、超分辨率、抠图、图像生成

在相关的框架条目下包含了与条目相关的经典网络的论文与代码，也包含最前沿最新的顶会论文与算法模型，可以站在巨人的肩膀上进行学习，是非常有效的学习工具。

part3 机器学习与卷积神经网络基础

1.1机器学习是数据驱动的从大量数据中进行学习

--监督学习        训练样本有标签

--无监督学习    训练样本无标签（聚类，降维等）

--强化学习        智能体自适应环境

1.2机器学习流程

采集训练集进行训练，得到分类器

在验证集上检测分类器的泛化性能

将训练好的分类器运用于实际问题

1.3非线性的函数能够更好的表征数据的分布特征，使得模型的泛化能力提高

1.4神经网络训练流程

定义损失函数，前向计算样本损失

反向传播计算样本损失的梯度（小数据集可以求所有样本全局梯度，大数据集求mini-batch的梯度）

选择合适优化器根据梯度信息更新参数

重复上述操作直到达到设定的停止条件

1.5卷积神经网络

特点

局部连接

权值共享

平移不变性

结构

卷积层（可以通过填充提取边缘信息，可以以不同步长跳跃，可以进行空洞卷积）

激活层（非线性的激活函数）

池化层（下采样，最大池化与平均池化，可以降低特征图分辨率减少计算量引入平移不变性）

---

---

---