深度学习初探以及计算机视觉相关技术
前言
本人从2个多月前开始接触了深度学习的内容，从最初的机器学习的经典算法，再到复杂的神经网络过程，发现深度学习的优势逐渐体现出来。对于普通的数据型数据机器学习的算法或许会比较合适，但是对于我们多维度的数据如（图片，音频等），机器学习的算法在这些应用上的效果没有深度学习那么明显。本人并没有多专业的导师进行指导，只是凭着学长们的经验，一步一步的自主学习，对于网上哪些老生常谈文章也看过一部分，一路磕磕碰碰走到现在，对计算机视觉这方面的技术术语也没有很深刻地理解。
个人声明：本文仅代表，本人两个多月来学习的一些心得与看法，以及今后本人发展的方向规划，不涉及任何技术的解析与详细讲解。
深度学习个人拙见
那么深度学习到底是什么呢？我个人认为吧，深度学习是机器学习的一部分，他主要研究的是神经网络的各种形式对我们数据集（图片，音频等）的处理过程，从浅到深，逐渐挖掘出某一类事物的规律。机器学习的逻辑回归与深度学习中的感知机是有类似的信息，或者就我个人认为，两者就是同一个东西。
感知机是一个标准神经网络的基本结构，当我们吧这些基本结构堆叠起来之后，我们就能构成我们的神经网络。如果说一个感知机只能分析一部分的数据信息，那么一堆感知机就能分析出数据的大部分信息，那如果在这基础上再分析感知机分析出的信息，那么我们就能获取更深层次的东西。
这样标准神经网络的思路就被建立了起来，后来根据这个启发，逐渐研究出了卷积神经网络(CNN)的结构和循环神经网络(RNN)的结构，更有甚者还有循环卷积神经网络，当然这些神经网络都还有很多不同类型的形式，广泛应用于多个领域。
计算机视觉学习历程与碰到的问题
- 我个人接触深度学习的时间比较短，学习的内容也比较有限（
根本上是因为菜）。于是我并没有接触完全部基础的深度学习内容。我大概是掌握了卷积神经网络的设计和实现以及循环神经网络的几种基本单元之后就开始进入计算机视觉的相关学习。 - 在学习过程中，也遇到了一些瓶颈，比如一些公式弄不懂，一些特征不会解析，以及不知道计算机视觉究竟包括哪几个方面的学习，怎样才是最好的学习路线等等。虽然现在一些问题仍然伴随在我的身边，最近在学习yolo的3代和4代，5代进行了简单应用，但是一些细节的内容从源码上仍然无法解析，比如在yolo算法对图像处理过程中，我们的特征中的
框框先验框的调整和解码操作，这部分我是没能理解的。同时，yolo是一个目标检测算法（给物体画框框），除此之外，有些算法是能够对背景和对象着色的技术，直至今日我都不明白他们这个技术的名称。 - 在一个机缘巧合之下，我观看了一个关于计算机视觉方面的讲座，我才明白了，这方面相关技术的具体名称。
计算机视觉的相关技术
ps:讲座的主要内容
1.图像分类
- 给定一组各自被标记为单一类别的图像，对一组新的测试图像的类别进行预测，并测量预测的军区恶性结果。
- 图像分类遇到的几个挑战：视点变化，尺度变化，类內变化，图像变形，图像遮挡，照明条件和背景杂斑。
- 经典模型：Alexnet，Googlenet，Resnet，Densent
2.目标检测
- 识别图像中的目标这一任务，不同于分类/定位任务——仅对各目标进行分类和定位。他通常会涉及到为各个目标输出边界框和标签，而不仅仅是对各主题目标进行分类和定位
- 经典模型：RCNN，Fast RCNN ,SSD,Faster RCNN,YOLO
3.目标跟踪
- 目标跟踪是指在特定场景跟踪某一个或多个特定感兴趣对象的过程。传统应用就是视频与真实世界的交互，在检测到初始对象后进行观察。
- 经典模型：FCNT，SiamMask，STCT，MDNet
4.语义分割
- 计算机视觉的核心是分割，他将整个图像分成一个个像素组，然后对其进行标记和分类。特别地，语义分割测试图在语义上理解图像中每个像素的角色（比如：识别他是汽车。摩托车还是其他类别）
- 经典模型：FCN,SegNet，DeepLab
5.实例分割
- 实例分割将不同类型的实例进行分类，我们会看到多个重叠物体和不同背景的复杂景象，我们不仅需要将这些不同的对象进行分类，而且还要确定对象的边界，差异和彼此之间的关系。
- 经典模型：MaskRCNN，PANet
6.视频结构化描述技术
将视频内容按照语义关系，采用时空分割、特征提取、对象识别等处理手段，组织成可供计算机和人理解的文本信息的技术。
总结
在计算机视觉的路上，还是刚刚入门，见识也比较短浅。这些技术也要逐渐深入了解，这些逐步了解，一步一步往前冲吧。
人家为什么就这么强，我怎么就这么菜_(:з」∠)_