本期内容主要是告诉大家目标检测这个方向需要学哪些基础知识

以及手把手教大家如何去水一篇深度学习论文

开始之前可以领取我整理的学习资料：包括从零入门深度学习、100+深度学习常用开源数据集、AI 顶会论文合集、深度学习论文即插即用模块、论文资料合集等

需要的兄弟可以到我的公_众_号：迪哥谈Ai，回复：123，免费获取～ 

一、基础知识

1、编程语言

①Python 语言：主要用来修改程序，然后调试程序 ，B 站看教程+《Python 编程：从入门到实践》跑案例

②Linux 命令：运行终端输入命令来控制程序的执行 ，只需掌握最常用的那十几个命令：Linux 常用命令

③PyTorch 框架：有效地构建和训练目标检测模型 ，照着网上的源码能跑通就行

2、深度学习目标检测网络原理

①如卷积神经网络：弄清楚基本原理是什么？包含哪些基本结构？这些结构又有

什么作用？

②掌握一些常用的目标检测网络，如 yolo：了解 yolo 源码，并且能够根据源码

找到 yolo 网络结构图的对应的每一部分，这样你改进网络结构的时候才知道是 在源码的哪些地方进行

二．实操

下载目标检测网络的源码和公开的数据集，刚开始的目标就是把程序跑通然后能

完整的训练一遍，主要是学习和熟悉一下预处理这些操作

三、论文

第 1 步：找到 baseline 论文

从本方向的一些开山之作、经典 sota 以及近三年的顶会顶刊文章中选取 1-3 篇作为你的 baseline，可以到 paper with code 下载这些开源代码

一个优质的 baseline 通常具备以下特点：

• 发表的时间是近两到三年的：太老的话，审稿人可能不会认可你的对比方法； 而最新的 SOTA 论文往往过于强大，难以超越且优化难度大（超越 SOTA 并不是发论文的必要条件）可以选择一些文章比较新，但性能比较差的作对比，发个三区四区足够了
• 具备开源代码且有完整的文档（readme），各部分内容详细、清晰， 如训练、测试、损失函数、网络结构等模块界定明确。 （GitHub 上星标较多的更佳，这表明该代码被广泛使用且质量可靠）
• 论文中的公式应清晰明了，方便对照代码理解公式，当你掌握如何将理论公式转化为代码时，就基本入门了

第 2 步：深入剖析 baseline 代码

当你找到了不错的 baseline 论文后，就要深入阅读、使用它的代码了

阅读代码的诀窍：

按照 github 的文档配置好你的环境，（pytorch 和 tf 都特别好配置）

根据 readme 的步骤，下载相应的数据，运行相应的脚本，让它的训练流畅地跑通；（如果在中间报了错，一般都是 library 版本不符）

当你成功运行开源代码或遇到算法相关的 bug 时，可以使用一款优秀的IDE（如 Pycharm）进入 debug 模式。在该模式下，可结合实际数据逐步分析代码。对于看不懂的步骤，可对照论文流程并通过谷歌查询 API 使用方法。很多单独查看难以理解的代码，结合着 tensor shape，或者处理过 后的数据的 shape/value 就能理解

如果时间允许，建议对选定的几篇 baseline 都这样跑一遍，并且用笔记记录下大概流程

第 3 步：搭建自己的 pipeline

可以在第三步选定的 baseline 基础上进行改进，关键在于修改数据读取和预处理部分。此阶段先不要添加自己的模型，先用 baseline 的模型跑通你自己的数据

再把你自己的 idea 加入 pipeline，创新点主要集中在提出更好的模型或者改进训练机制方面，模型或损失函数相关内容在网络上通常能找到结构类似的代码，直接按照他们的格式仿写即可（比如你要做轻量级图像分割，那大概率可以借鉴 Unet）

对 baseline 最简单粗暴的改进就是改网络结构

改网络结构主要有 5 种方式：串联、并联、交互、融合、连接

可以整合不同论文中的模块，比如某篇论文的 A 模块是卷积结构，可用于提取局部特征；另一篇论文的 B 模块是 attention 机制，可提取全局特征；将 AB 并联后就可以说能提取多尺度特征如果效果有提升，就可以做消融实验，论文就有东西可以写了。解释一下为 什么加入 A 效果有提升，为什么加入 B 效果有提升，再说一下新模型的优 缺点。“A 能提取局部特征，B 能提取全局特征，我们设计了这个新模型它综合了 A+B 的.....能力，所以效果得以提升......”

如果你还是很迷茫，可以跟着我来系统学习，感兴趣的话可以添加我的助理了解，还可以试听一下课程，看看是否能够让你更快上手！