# AI

**Repository Path**: initialdream1659/ai

## Basic Information

- **Project Name**: AI
- **Description**: Application of artificial intelligence algorithm and code realization。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-05-24
- **Last Updated**: 2024-11-20

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

这是一个AI人工智能深度算法的学习和代码实现仓库。涉及到物体检测、图像识别、强化学习等算法。  

### 权重初始化  
权重初始化对于深度学习模型的训练过程和性能具有重要影响。不同的权重初始化方法可以影响模型的收敛速度、稳定性以及最终的性能。  

![模型初始化](https://gitee.com/initialdream1659/ai/raw/master/images/init.png)  

权重初始化如何影响训练的几个方面：  
  
* 收敛速度  
* 避免梯度消失/爆炸  
* 避免局部最优  
* 模型性能  

### 数据闭环  

![data close loop](https://gitee.com/initialdream1659/ai/raw/master/images/数据闭环.jpg)  

基于采集的少量数据训练一个模型作为Baseline，之后使用该Baseline去测试未标注的数据，人工筛查后继续添加进去再训练。  

### UNet  
语义分割常用的测试指标是 miou(均交并比)。  
### [注意力机制](https://blog.csdn.net/m0_37605642/article/details/135958384)  
注意力机制与目标检测模型（YOLO）结合通常在以下几种场景下能够带来显著的优势。  
1. 复杂背景和小目标检测（通过self-attention或spatial attention）来动态选择图像中重要的区域或特征，从而提升模型在复杂背景中的表现。    
2. 长距离依赖关系建模（有效捕捉图像中远距离的关联信息，如在图像分割或复杂场景的目标检测尤为重要。）      
3. 多尺度特征融合（有效整合和选择不同层次和尺度的特征信息，从而提升模型在多尺度目标检测中的性能。）    
4. 重点关注误分类区域（重点关注误分类的区域，从而提高错误矫正的能力。多适用于需要精细调整的场景。）    

#### [Yolo中添加注意力机制](https://blog.csdn.net/weixin_43694096/article/details/124443059?spm=1001.2014.3001.5502)    

  
### 参考文献  
1. [使用Pytorch进行Faster R-CNN目标检测](https://blog.csdn.net/u013679159/article/details/104288338)  
2. [YOLO v5 实现目标检测（参考数据集&自制数据集）](https://zhuanlan.zhihu.com/p/269587479)  
3. [使用UNet做医学图像分割系统](https://blog.csdn.net/ECHOSON/article/details/122914826?spm=1001.2014.3001.5502)     
3. [强化学习教程](https://hrl.boyuai.com/chapter/intro/)  
4. [机器学习中的激活函数汇总](https://blog.csdn.net/hy592070616/article/details/120623303)  
5. [权重初始化如何影响训练？](https://download.csdn.net/blog/column/12403911/132180185)  
6. [YOLO系列详解：YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7](https://blog.csdn.net/qq_40716944/article/details/114822515)  
7. [yolo超详细解读](https://blog.csdn.net/weixin_43334693/article/details/129312409?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7Ebaidujs_baidulandingword%7EPaidSort-1-129312409-blog-114822515.235%5Ev43%5Epc_blog_bottom_relevance_base6&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7Ebaidujs_baidulandingword%7EPaidSort-1-129312409-blog-114822515.235%5Ev43%5Epc_blog_bottom_relevance_base6&utm_relevant_index=1)  
8. [空间金字塔池化SPP](https://blog.csdn.net/g11d111/article/details/80789538)  
9. [三万字硬核详解：yolov1、yolov2、yolov3、yolov4、yolov5、yolov7](https://blog.csdn.net/shinuone/article/details/127945805)  
10. [YOLOv5：原理+源码分析](https://blog.csdn.net/weixin_44878336/article/details/136025658)  
11. [老潘](https://cloud.tencent.com/developer/user/1668472/activities)