版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/yeyustudy/article/details/81987826
简单总结
迁移学习：
1、拿到预训练模型，移除最后一层，使用随机的层进行训练
2、进行微调，解冻其他的层调整参数
3、有选择的情况下进行端到端的微调
过拟合处理：
可以增加数据量，进行简单的数据增强，做一些批量归一化等操作，做一些正则化、权重衰减和丢弃的操作，最后还可以减小模型的复杂度
目标检测
目的：用一个合适的边界框将目标圈定，并使用标签标明所属类别
步骤：1）对图片中最大的目标进行分类2）找到最大目标的位置3）同时做这两件事
ps：
1、尽量使用opencv，因为它比其他的要快，画图尽量使用matplotlib，一般文本喜欢选择白底黑边或者黑底白边
2、学会使用pdb进行调试
多目标检查的两种方法：
3、anchor boxes
4、感受域：输出结果张量中一个值对应原输入图片的部分
5、Scalable Object Detection using Deep Neural Networks：提出了一个具有匹配过程的损失函数，可以通过它来进行目标检测
faster rcnn：通过计算机视觉的方法找到一些候选区域，然后将其通过cnn中进行检测
yolo跟ssd：试图处理凌乱的输出，丢弃不好的匹配
RetinaNet：提出焦点损失，损失函数是一个动态缩放的交叉熵损失，其中缩放因子随着对正确类别的置信度增加而衰减到零
1、学习率改变的新方法：没有周期，刚开始陡升，后来慢慢下降
