端到端的学习，就是把特征提取的任务也交给模型去做，直接输入原始数据或者经过些微预处理的数据，让模型自己进行特征提取。

WSSS ‌弱监督语义分割‌ 是一种利用较少的标注信息来实现语义分割的技术。传统的语义分割需要对图像中的每个像素进行精确标注，这不仅耗时且成本高昂。弱监督语义分割通过利用更简单的标注信息（如图像级标注、物体点标注、物体框标注等）来训练模型，从而实现对图像中物体的像素级预测。

语义亲和力‌是指通过语义分析来衡量不同元素之间的亲近程度或关联性。在计算机视觉和自然语言处理等领域，语义亲和力常用于图像分割、对象识别和文本分析中，帮助系统更好地理解和处理数据。

语义亲和力的定义和应用

语义亲和力在计算机视觉中，特别是在语义分割任务中，通过定义标签亲和力矩阵，并将其与语义标签联系起来，可以辅助训练语义分割网络，提高分割的精度‌

。在自然语言处理中，语义亲和力可以帮助理解文本中的词汇和句子之间的关系，从而提升文本分析的准确性。

语义亲和力的计算方法

在语义分割中，语义亲和力矩阵是通过定义标签亲和力矩阵，并在语义分割网络输出层计算亲和力矩阵来得到的。

mloU目标检测

1、目标检测基本概念

1.1什么是目标检测

目标检测(Object Dectection)的任务是找出图像中所有感兴趣的目标(物体)，确定他们的类别和位置。

1.2目标检测要解决的核心问题

除图像分类外，目标检测要解决的核心问题是:

1.目标可能出现在图像的任何位置。

2.目标有各种不同的大小。

3.目标可能有各种不同的形状。

1.3 目标检测算法分类

Two stage目标检测算法

先进行区域生成(region proposal,RP)(一个可能包含待检测物体的预选框)，再通过卷积神经网络进行样本分类。

任务:特征提取->生成RP->分类/定位回归。

常见Two stage目标检测算法有:R-CNN、SPP-Net、Fast R-CNN和R-FCN等。

One stage目标检测算法

不用RP，直接在网络中提取特征来预测物体分类和位置。任务:特征提取->分类/定位回归。

常见的one stage目标检测算法有:OverFeat、YOLOv1、YOLOv3、SSD和RetinaN et等。