深度学习的名词解释深度学习中有一些常见的指标，但是如果看不懂就会影响论文的阅读效率。此篇帖子的目的旨在记录一下自己在阅读

1. One-shot/Zero-shot

Zero-Shot leaarning : 指的是我们之前没有这个类别的训练样本，但是可以学习到一个映射X-->Y。如果该映射足够好的话，那么就能处理这个没有见到的类了。

比如说，我有一个训练模型，从没有训练过狮子的图片，但是我们可以利用这个模型得到狮子的特征，得到的特征可能就和猫、老虎等比较接近，但是离飞机、汽车等比较远

One-Shot learning:在样本很少，甚至只有一个的情况下，在大样本上得到general knowledge，然后再在小样本上进行技巧性的update .

2. SOTA

State of the Art ,表示的是当前技术水平

3.hard negative

指的是使用经过第一次训练的分类器在负样本（负样本上绝对没有我们想要的正样本）上分类，然后将所分类的结果保存，再作为负样本重新进行训练。这样能有效减小误报

4.级联

类比于物理上的电路串联，类似于将多个卷积层堆叠级联，用来提取图片的高级特征，以此来获得更好的分类效果等.....

5.fine-turned

表示的是微调操作

6. R1,R5.R10.MR

所谓的R，指的是Recall，召回率，即正样本中模型识别为正样本的比例

True positive :正样本被正确识别成正样本

True negatives :负样本被识别成负样本

False Positive: 原本是负样本，但是被模型识别成了正样本

False negative：原本是正样本，但是被模型错误分成了负样本

$prediction$ = \frac{真正}{真正+假正}

prediction= \frac{真正}{真正+假正}

假如有一个模型，是专门识别猫的图片的，那么：

prediction = \frac{图片是猫，且模型判定是猫}{图片是猫，且模型判定是猫 + 图片是其他，但图形判定是猫}

而相应的，其召回率如下：

recall = \frac{图片是猫，模型判定为猫}{图片是猫，模型判定为猫 + 图片是猫，但模型判定不是猫}

7.mAP和AP

AP指的是average-Precision，而mAP指的是mean average-precision.

按照查全率和查准率绘制二维曲线，AP指的就是曲线下的面积，而mAP指的是**对多个类别的AP再求平均。**该指标越大越好。