A:

（1）anchors：錨點(diǎn)。（anchors（錨點(diǎn)）定義在RPN網(wǎng)絡(luò)中）

B：

（1）bounding box：預(yù)測(cè)邊界框。

（2）Botton-up 3D proposal generation：自底向上的3D預(yù)選目標(biāo)框的生成。

（3）Bin-based 3D Box Generation：基于框(區(qū)間)的3d預(yù)目標(biāo)生成。

（4）batch-size: 1次迭代所使用的樣本量。

（5）Batches（批次）：在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的同時(shí)，不用一次發(fā)送整個(gè)輸入，我們將輸入分成幾個(gè)隨機(jī)大小相等的塊。與整個(gè)數(shù)據(jù)集一次性饋送到網(wǎng)絡(luò)時(shí)建立的模型相比，批量訓(xùn)練數(shù)據(jù)使得模型更加廣義化。

C：

（1）Canonical 3D Box Refinment：3D目標(biāo)框的精細(xì)優(yōu)化。

（2）convolution kernel（卷積核）：圖像處理時(shí)，給定輸入圖像，在輸出圖像中每一個(gè)像素是輸入圖像中一個(gè)小區(qū)域中像素的加權(quán)平均，其中權(quán)值由一個(gè)函數(shù)定義，這個(gè)函數(shù)（卷積層的權(quán)值）稱為卷積核。

D：

（1）Dropout（丟棄）——Dropout 是一種正則化技術(shù)，可防止網(wǎng)絡(luò)過(guò)度擬合套。顧名思義，在訓(xùn)練期間，隱藏層中的一定數(shù)量的神經(jīng)元被隨機(jī)地丟棄。這意味著訓(xùn)練發(fā)生在神經(jīng)網(wǎng)絡(luò)的不同組合的神經(jīng)網(wǎng)絡(luò)的幾個(gè)架構(gòu)上。你可以將 Dropout 視為一種綜合技術(shù)，然后將多個(gè)網(wǎng)絡(luò)的輸出用于產(chǎn)生最終輸出。

E：

（1）epoch（周期）： 1個(gè)epoch表示過(guò)了1遍訓(xùn)練集中的所有樣本。周期被定義為向前和向后傳播中所有批次的單次訓(xùn)練迭代。這意味著 1 個(gè)周期是整個(gè)輸入數(shù)據(jù)的單次向前和向后傳遞。

（2）Exploding Gradient Problem（激增梯度問(wèn)題）——這與消失的梯度問(wèn)題完全相反，激活函數(shù)的梯度過(guò)大。在反向傳播期間，它使特定節(jié)點(diǎn)的權(quán)重相對(duì)于其他節(jié)點(diǎn)的權(quán)重非常高，這使得它們不重要。這可以通過(guò)剪切梯度來(lái)輕松解決，使其不超過(guò)一定值

F：

（1）foreground point：前景點(diǎn)（前景foreground是你感興趣的目標(biāo)對(duì)象。背景background正好相反。）

G:

（1）Generalization Ability（泛化能力）：是指機(jī)器學(xué)習(xí)算法對(duì)新鮮樣本的適應(yīng)能力。 學(xué)習(xí)的目的是學(xué)到隱含在數(shù)據(jù)背后的規(guī)律，對(duì)具有同一規(guī)律的學(xué)習(xí)集以外的數(shù)據(jù)，經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)也能給出合適的輸出，該能力稱為泛化能力。

（2）ground truth：真實(shí)標(biāo)簽

（3）ground-truth?bounding boxes：人為在訓(xùn)練集圖像中標(biāo)出要檢測(cè)物體的大概范圍，也就是人為對(duì)數(shù)據(jù)進(jìn)行標(biāo)注的框。

H：

I：

（1）intersection over union( IOU)：交并比。

J：

K：

L：

（1）learning_rate(學(xué)習(xí)率):控制模型的學(xué)習(xí)進(jìn)度，即學(xué)習(xí)率決定了權(quán)值更新的速度，設(shè)置得太大會(huì)使結(jié)果超過(guò)最優(yōu)值，太小會(huì)使下降速度過(guò)慢。

M：

（1）mAP（mean average percision）：平均精度。

（2）mask：掩膜
分類的結(jié)果叫l(wèi)abel。
分割的結(jié)果叫mask。
因?yàn)榉指罱Y(jié)果通常會(huì)半透明的覆蓋在待分割目標(biāo)上，所以就叫它掩膜吧。
圖片中有一個(gè)圓形物體，你從一張紙上剪掉一個(gè)和該物體一模一樣大小的圓，把這張紙蒙在圖片上，這時(shí)候你只能看見(jiàn)這個(gè)圓形物體，這張紙就是mask了。

N：

（1）NMS(Non-Maximum Suppression)：非極大值抑制。

NMS即非極大抑制，顧名思義就是抑制不是極大值的元素，搜索局部的極大值。

在物體檢測(cè)中，NMS?應(yīng)用十分廣泛，其目的是為了清除多余的框，找到最佳的物體檢測(cè)的位置。

（2）norm(范數(shù))：是具有“長(zhǎng)度”概念的函數(shù)。在線性代數(shù)、泛函分析及相關(guān)的數(shù)學(xué)領(lǐng)域，是一個(gè)函數(shù)，其為向量空間內(nèi)的所有向量賦予非零的正長(zhǎng)度或大小。另一方面，半范數(shù)（英語(yǔ)：seminorm）可以為非零的向量賦予零長(zhǎng)度。

O：

（1）offset：偏移量

P：

（1）Point Cloud Encoder-Decoder：點(diǎn)云的編碼器和解碼器

（2）Point-wise Feature vector：點(diǎn)云中各個(gè)點(diǎn)的特征（點(diǎn)云特征）

（3）Point -wise：逐點(diǎn)（每個(gè)點(diǎn)）

?

Q：

R：

（1）Receptive Field（感受野）：在卷積神經(jīng)網(wǎng)絡(luò)中，每一層輸出的特征圖（feature map）上的像素點(diǎn)在輸入圖片上映射的區(qū)域大小。再通俗點(diǎn)的解釋是，特征圖上的一個(gè)點(diǎn)對(duì)應(yīng)輸入圖上的區(qū)域，如圖所示。

（2）Robustness（魯棒性）：魯棒是Robust的音譯，也就是健壯和強(qiáng)壯的意思。它是在異常和危險(xiǎn)情況下系統(tǒng)生存的關(guān)鍵。比如說(shuō)，計(jì)算機(jī)軟件在輸入錯(cuò)誤、磁盤故障、網(wǎng)絡(luò)過(guò)載或有意攻擊情況下，能否不死機(jī)、不崩潰，就是該軟件的魯棒性。所謂“魯棒性”，是指控制系統(tǒng)在一定（結(jié)構(gòu)，大小）的參數(shù)攝動(dòng)下，維持其它某些性能的特性。根據(jù)對(duì)性能的不同定義，可分為穩(wěn)定魯棒性和性能魯棒性。以閉環(huán)系統(tǒng)的魯棒性作為目標(biāo)設(shè)計(jì)得到的固定控制器稱為魯棒控制器。
（3）RPN(RegionProposal Network)：區(qū)域生成網(wǎng)絡(luò)。

?

S：

（1）Selective Search算法：

（2）Supervised pre-training(有監(jiān)督訓(xùn)練):

?

T：

（1）Transfer Learning：遷移學(xué)習(xí)

U：

V：

（1）Vanishing Gradient Problem：消失梯度問(wèn)題（Vanishing Gradient Problem）——激活函數(shù)的梯度非常小的情況下會(huì)出現(xiàn)消失梯度問(wèn)題。在權(quán)重乘以這些低梯度時(shí)的反向傳播過(guò)程中，它們往往變得非常小，并且隨著網(wǎng)絡(luò)進(jìn)一步深入而"消失"。這使得神經(jīng)網(wǎng)絡(luò)忘記了長(zhǎng)距離依賴。這對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)是一個(gè)問(wèn)題，長(zhǎng)期依賴對(duì)于網(wǎng)絡(luò)來(lái)說(shuō)是非常重要的。這可以通過(guò)使用不具有小梯度的激活函數(shù) ReLu 來(lái)解決。

W：

X：

Y：

Z：

?

epoch、 iteration和batchsize
深度學(xué)習(xí)中經(jīng)?？吹絜poch、 iteration和batchsize，下面按自己的理解說(shuō)說(shuō)這三個(gè)的區(qū)別：

（1）batchsize：批大小。在深度學(xué)習(xí)中，一般采用SGD訓(xùn)練，即每次訓(xùn)練在訓(xùn)練集中取batchsize個(gè)樣本訓(xùn)練；

（2）iteration：1個(gè)iteration等于使用batchsize個(gè)樣本訓(xùn)練一次；

（3）epoch：1個(gè)epoch等于使用訓(xùn)練集中的全部樣本訓(xùn)練一次；

舉個(gè)例子，訓(xùn)練集有1000個(gè)樣本，batchsize=10，那么：

訓(xùn)練完整個(gè)樣本集需要：100次iteration，1次epoch。

對(duì)于我處理的Dataset， Training Dataset ：12個(gè)seq_x folder, 每一個(gè)folder有149個(gè)圖片。所以總共有1788個(gè)圖片。

若batchsize =12, 那么 iteration = 1788 / 12 = 149, epoch可以自己設(shè)定。
?

?

?

總結(jié)

以上是生活随笔為你收集整理的深度学习中的一些英文解释的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。