0 引言
2023年alexnet橫空出世以來，深度學習在高層語義特徵的識別與分割上大獲成功。然而，基於極大量影象級或者邊界框級標註資料的深度學習方法在實際應用中存在很多限制。
1、標註粗略，很多目標本身並不是方形，採用方形標註會引入誤差資料；
2、邊界框標註訓練出來的框架分割精度不會達到超人檢測精度，這是因為標註資料本身就沒有達到超人級的精度；
3、解決遮擋問題很困難。
基於以上原因，有人提出了畫素級標註的新思路，試**決上述難題。
1 深度學習簡介
參考周志華的講話。
（1）深度神經網路模型成功的原因。
周志華總結了三點：
1、高複雜度：深度神經網路極其複雜，其複雜度與模型的容量有關，並直接決定了模型的學習能力。通過增強乙個學習模型的複雜度，它的學習能力就能夠提公升。因此，高複雜度是深度神經網路成功的第乙個原因。
2、大資料：當模型具備高複雜度時，存在的另乙個問題是過擬合，即模型將資料中不具備一般性質的規律學出來了，導致模型在描述測試集中的特徵時失效。為了解決這個問題，需要準備大量訓練資料，這些資料中包含了一般性的規律，並且可以訓練框架收斂。
3、分層結構：逐層處理使得特徵學習過程中存在特徵變換，特徵變換令深度神經模型在學習特徵時具備從底層語義到高層語義逐步抽象的過程。
（2）深度學習存在的問題
1、模型的複雜度太大，容易學習到資料本身的特性，卻沒有學習到一般規律，導致過擬合。為了保證模型的效果，通常會使模型複雜度大於問題本身的複雜度。
2、需要大量訓練資料，防止過擬合。
3、需要大量訓練技巧，使系統收斂的同時，不要過擬合。
4、整個計算系統的開銷非常大，我們需要非常長強有力的計算裝置。
5、訓練時要調超參，會導致結果的可重複性差。
6、訓練的經驗在跨任務時，可能會失效。
2 畫素/超畫素級標註
給個鏈結吧
超畫素分割
超畫素、語義分割、例項分割、全景分割 辨析超畫素分割slic**
3 體素級標註
4 影象分類演算法及其優化技巧
深度學習畫素級標籤製作總結
以下介紹的幾種標籤製作方法，可以製作目標識別的矩形標籤，也可以製作畫素級別的分割標籤，製作的標籤為單通道 uint8 型別的格式。可以根據自己的需要進行選擇合適的方法。介紹 採用python語言進行編譯的工具，通過滑鼠進行選擇點，然後自動將點鏈結成乙個mask。目標範圍內為1，非目標為0 儲存的檔案...
詞法分析與詞性標註學習之筆記（二） 詞性標註
詞性是詞彙的基本語法屬性，通常稱為詞類。詞性標註 part of speech tagging,pos tagging 也被稱為語法標註 grammatical tagging 或詞類消疑 word category disambiguation 是語料庫語言學 corpus linguistics...
深度學習基礎（1） 機器學習與深度學習
機器學習 深度學習 通常，在我們接觸深度學習的過程中，經常可以看到機器學習，深度學習，監督學習，無監督學習，神經網路，隱藏層，函式等一系列概念。這些概念之間的相互關係是什麼，分別是什麼意思，有什麼作用，搞清楚這個是非常重要的。在此對其進行一次梳理。所有的概念都可以認為出自 人工智慧 artifici...