這個(gè)模型自然地為每個(gè)類(lèi)處理可變數(shù)量的實(shí)例，并允許在網(wǎng)絡(luò)的最高級(jí)別上進(jìn)行跨類(lèi)泛化。目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)的基本任務(wù)之一。解決這個(gè)問(wèn)題的一個(gè)常見(jiàn)例子是訓(xùn)練在子圖像上操作的對(duì)象檢測(cè)器，并在所有地方和尺度上以詳細(xì)的方式應(yīng)用這些檢測(cè)器。這個(gè)例子已經(jīng)在差分訓(xùn)練之后成功地應(yīng)用于可變形零件模型(DPM ),以實(shí)現(xiàn)檢查任務(wù)的最新結(jié)果。

訓(xùn)練樣本用于訓(xùn)練學(xué)習(xí)機(jī)，測(cè)試樣本是學(xué)習(xí)機(jī)要識(shí)別的對(duì)象。比如你想讓計(jì)算機(jī)識(shí)別一個(gè)茶杯，首先要準(zhǔn)備一個(gè)茶杯(訓(xùn)練樣本)，然后把茶杯展示給計(jì)算機(jī)(數(shù)據(jù) input)，告訴計(jì)算機(jī)這個(gè)東西是茶杯(預(yù)期輸出)。電腦看到茶杯后，以為是花盆，但看到你的期待是茶杯，他就不斷訓(xùn)練自己是不是茶杯。直到計(jì)算機(jī)認(rèn)為茶杯是茶杯才結(jié)束(這個(gè)過(guò)程叫做學(xué)習(xí))。然后你把另一個(gè)茶杯(測(cè)試 sample)放在電腦前，問(wèn)他這是什么？計(jì)算機(jī)計(jì)算后告訴你是茶杯(這個(gè)過(guò)程叫識(shí)別)。

1，將算法引入神經(jīng) 網(wǎng)絡(luò):可以將算法引入神經(jīng) 網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，以增強(qiáng)網(wǎng)絡(luò)的性能。例如，在訓(xùn)練過(guò)程中，采用優(yōu)化算法(如梯度下降法)更新網(wǎng)絡(luò)的權(quán)值和偏移量，使損失函數(shù)最小。這樣有助于神經(jīng)-3/更好的學(xué)習(xí)和適應(yīng)數(shù)據(jù)。2.神經(jīng) 網(wǎng)絡(luò)Output作為算法的輸入:取神經(jīng)網(wǎng)絡(luò)的輸出作為算法的輸入，實(shí)現(xiàn)更復(fù)雜的任務(wù)。比如神經(jīng) 網(wǎng)絡(luò)可以用來(lái)對(duì)圖像進(jìn)行分類(lèi)，然后將分類(lèi)結(jié)果傳遞給其他算法進(jìn)行進(jìn)一步處理，比如物體檢測(cè)、圖像分割等。

比如可以用神經(jīng) 網(wǎng)絡(luò)提取特征，然后將提取的特征輸入到傳統(tǒng)的分類(lèi)器(比如支持向量機(jī)、決策樹(shù)等。)進(jìn)行分類(lèi)。4.強(qiáng)化學(xué)習(xí)中的算法組合與神經(jīng) 網(wǎng)絡(luò):在強(qiáng)化學(xué)習(xí)中，神經(jīng) 網(wǎng)絡(luò)可作為價(jià)值函數(shù)逼近器(value function approximator)一種策略逼近器，與強(qiáng)化學(xué)習(xí)算法(如Qlearning、策略梯度)組合使用。這樣可以實(shí)現(xiàn)復(fù)雜環(huán)境下決策和行為的學(xué)習(xí)和優(yōu)化。

Reference:可以判斷問(wèn)題的原因來(lái)自?xún)蓚€(gè)方面，一方面是模型過(guò)擬合，另一方面是訓(xùn)練集和測(cè)試machine數(shù)據(jù)domain不同。至于問(wèn)題的位置，建議按照先易后難的角度，即先檢查訓(xùn)練集和測(cè)試 set是否有不同的域，再檢查模型是否過(guò)擬合，1.對(duì)數(shù)據(jù) domain的考察具體是指訓(xùn)練集的數(shù)據(jù)和測(cè)試 set的分布不一致，具體有以下幾點(diǎn):(1) 數(shù)據(jù) source分布不同:比如在圖像處理中，在語(yǔ)音識(shí)別中，訓(xùn)練集音頻普通話(huà)較多，而測(cè)試 set方言較多；(2 )/ -4/set的噪聲干擾不同:比如在圖像中，訓(xùn)練集的圖像都是正常拍攝的，而測(cè)試 set的圖像都是暗淡或模糊的；在語(yǔ)音識(shí)別中，訓(xùn)練集可能都是清晰的音頻，但是測(cè)試 set有很多背景噪音。