【深度学习】名词解释

参考

1.聊一聊CV中的backbone结构
2.人人都爱(玩)Backbone（1）
3.Backbone发展与语义分割网络发展
4.深度学习框架-Backbone汇总
5.关于卷积神经网络(CNN)骨干结构的思考
6.神经网络的Backbone

常用结构

backbone主要包括：
    VGG、ResNet（ResNet18，50，100）、ResNeXt、DenseNet、SqueezeNet、Darknet（Darknet19,53）、MobileNet、ShuffleNet、DetNet、DetNAS、SpineNet、EfficientNet（EfficientNet-B0/B7）、CSPResNeXt50、CSPDarknet53；
    
head
    one-stage：RPN、SSD、YOLO、RetinaNet、CornerNet、CenterNet、MatrixNet、FCOS；
    two-stage：Faster R-CNN、R-FCN、Mask RCNN (anchor based)、RepPoints(anchor free)；
    
neck
    SPP、ASPP、RFB、FPN、NAS-FPN、Fully-connected FPN、BiFPN等；

backbone

• 在神经网络中，尤其是CV领域，一般先对图像进行特征提取（常见的有vggnet，resnet，谷歌的inception），这一部分是整个CV任务的根基，因为后续的下游任务都是基于提取出来的图像特征去做文章（比如分类，生成等等）。

解释：主干网络（提取特征的网络）
**作用：一般先对图像进行特征提取（**常见的有vggnet，resnet，谷歌的inception），生成特征图feature map,供后面的网络使用，
这一部分是整个CV任务的根基，因为后续的下游任务都是基于提取出来的图像特征去做文章（比如分类，生成等等）。

这些网络经常使用的是resnet VGG等，而不是我们自己设计的网络，因为这些网络已经证明了在分类等问题上的特征提取能力是很强的。
在用这些网络作为backbone的时候，都是直接加载官方已经训练好的模型参数，后面接着我们自己的网络。
让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务

具体解释使用

神经网络的Backbone

理解抽象

用抽象的方法，把算法简洁明了的说明和对比，目的不是为了说明算法的细节，而是从算法的思想上去解析算法的演化流程和特点，以及贡献点。

这样分析大家也会就会明白，Backbone会如何给不同的算法提供Feature，不同算法的会从不同的角度去挖掘（玩）Feature中的信息。