目录
1.计算机视觉
1.1目标检测
1.2图像分割
1.3图像分类
2.openmmlab的体系（主要摘取了感兴趣的几个库）
3.机器学习、卷积神经网络
4.大神推荐的如今建议入门的领域：
1.计算机视觉
是对图像，视频此类图像类信息进行特征提取等以获取信息的技术；
1.1目标检测
拥有多位置信息，由物体的左上角和右下角来获取位置；其锚定框将由五个参数决定（四个位置参数与一个标签）。目标检测按照检测对象目标可以分为专用目标检测和通用目标检测。
1.2图像分割
进行像素级别的框选是任务是图像分割，它分为两种：
（1）语义分割：不管目标，只管像素，只管类别；
（2）实例分割：要管目标，区分出每一个物体；
（3）全景分割：在实例分割之外还进行整个环境的感知与分割。
1.3图像分类
计算机视觉的基础任务，在此基础上加上检测头/分割头/关键点检测头等可以得到其他任务的目标，换句话来说，目标检测，图像分割，关键点检测等任务他们可以说是CV的下游任务。
2.openmmlab的体系（主要摘取了感兴趣的几个库）
mmdeploy：是用于部署在服务器，开发板等有着企业不同平台需求和环境特色的设备中
mmdetection3d：通过激光雷达的点云数据进行3D的锚定框绘制与3D环境下的感知
mmtrack：进行视频进行连续逐帧的目标检测与追踪
mmaction2：进行视频行为理解，动作检测；以此引申的有意义的下游任务：检测吵架和打架...
mmediting：图像修复，超分辨率，目标/背景的抠图，图像生成。
mmrazor：蒸馏，轻量
一些建议：
- 可以使用mmdetection去使用复现好的官方算法来完成论文中需要的结果表现的对比。
- 很推荐在学习过程中参考openmmlab module zoo与dataset zoo中完成复现的文章甚至是benchmark设置，让自己对于实验有着更加清晰的全面的了解。
3.机器学习、卷积神经网络
机器学习：程序通过数据中总结学习经验，并以此为基础解决同类的新的问题。
又可以称为“统计机器学习”，因为得到的结果是概率。
训练的目标：图片
梯度下降的方法：优化器之间的区别，adam，带动量的优化器SGD... （这是optimization部分，之前自己_base_ config的时候出过相关问题，也对于优化器有点兴趣）
- CS231N 训练神经网络第二部分有关于优化器的描述。
torch带的optimization
卷积神经网络：
局部连接：像素局部相关 （依卷积核大小）
共享权重：平移不变性 （卷积核的参数共享）
上述两个特性以此节约大量参数
卷积核的权重和感受野的像素进行点乘反映了卷积核提取的特征
池化 -> 下采样；可以降低resolution，减少计算量；
一个重要的代码块举例：
通用封装 torch.nn.Module
继承了torch.nn.Module的一个块的举例
在代码中可以经常见到如上图般堆砌的功能层；在init下定义需要用到的细节功能，再于forward下完成一个个细节的具有顺序的堆叠，以最后完成整个接口功能。
4.大神推荐的如今建议入门的领域：
