COCO的检测任务共含有80个类，在2014年发布的数据规模分 train/val/test 分别为 80k/40k/40k，学术界较为通用的划分是使用train和35k的val子集作为训练集（trainval35k），使用剩余的val作为测试集（minival），同时向官方的evaluation server提交结果（test-dev）。Labelbox 是一家为机器学习应用程序创建、管理和维护

而NIPS的对抗攻击大赛很多从神经网络的学习策略下手，进行梯度攻击，更加偏向于人为的攻击了，对于普适的检测性能提高意义反而不大，更强调安全需求高的场合。还有尝试将RGB映射到其他的色彩空间进行学习，YUV，CMY，HSV等。组合的增强方式往往是连续变化的，导致数据集的容量会迅速扩大，这对于小数据集领域来说容易发生过拟合，所以需要设计合理的搜索算法设计恰当的训练数据集。谷歌最早做的自学习增强方法，走

YOLOv2中在每个卷积层后加Batch Normalization（BN）层，去掉Dropout，BN层可以起到一定的正则化效果，能提升模型的收敛速度，防止模型过拟合。YOLOv2通过使用BN层使得mAP提高了2%。

其实就是U-Net 和FPN的思想，在输入图像和前四个最大池化层的输出上附加了两层的MLP，第一层是 128 个 3x3的卷积，第二层是 128个 1x1 卷积。论文受到Spatial Pyramid Pooling（SPP）的启发，提出了一个类似的结构，在给定的输入上以不同采样率的空洞卷积进行采样，相当于以多个比例捕捉图像的上下文，称为ASPP（atrous spatial pyramid po

模型推理过程中遇到错误：RuntimeError: PytorchStreamReader failed reading zip archive: invalid header or archive is corrupted。这个错误通常发生在尝试加载损坏的 PyTorch 模型文件时。这可能是由文件下载不完整、文件传输过程中损坏或者存储设备出现问题导致的原因。

遇到报错：ValueError: Cannot load file containing pickled data when allow_pickle=False经过查阅有人说是与numpy的版本有关，但是还是不要轻易改变环境中的版本，不一定哪个地方就会报错。

深度卷积神经网络（CNN）是一种特殊类型的神经网络，在各种竞赛基准上表现出了当前最优结果。深度 CNN 的超强学习能力主要是通过使用多个非线性特征提取阶段实现的，这些阶段能够从数据中自动学习分层表征。大量数据的可用性和硬件处理单元的改进加速了 CNN 的研究，最近也报道了非常有趣的深度 CNN 架构。近来，深度 CNN 架构在挑战性基准任务比赛中实现的高性能表明，创新的架构理念以及参数优化可以提高

神经网络模型使用随机梯度下降进行训练，模型权重使用反向传播算法进行更新。通过训练神经网络模型解决的优化问题非常具有挑战性，尽管这些算法在实践中表现出色，但不能保证它们会及时收敛到一个良好的模型。在本文中，您将了解在训练神经网络模型时如何充分利用反向传播算法的技巧和诀窍。训练神经网络的挑战在训练数据集的新示例之间取得平衡；七个具体的技巧，可帮助您更快地训练出更好的神经网络模型。神经网络训练是一个非常

参考论文：图像超分辨率模型的基本假设是，如果低空间分辨率图像遵循与创建低空间分辨率图像相同的重采样过程，则低空间分辨率图像中的缺失细节可以被重建或从其他高空间分辨率图像中学习。基于这一假设，近十年来，人们一直致力于精确预测点扩散函数(point spread function, PSF)，它代表了形成低分辨率像素的混合过程。主要有三组方法:1)基于插值的方法，2)基于重构的方法，3)基于学习的方法

单幅图像超分辨重建的深度学习方法综述方法分类方法名称方法描述基于插值的上采样方法最近邻插值使用距离最近的像素点的值进行插值操作双线性插值沿着图像的一个方向进行插值，然后再沿着另一个方向进行插值。插值的结果与先进行哪个方向的插值无关双立方插值使用的插值函数为三次多项式，也是进行图像两个方向的插值操作基于学习的上采样方法转置卷积也成为反卷积，卷积核大小为3x3，步长为1，并使用0进行填充的卷积操作亚像