本文将讲述在基于百度AI Studio平台上进行深度学习开展的集训营的收获总结
理论
图像识别处理面临的几点问题：
1.语义鸿沟(Semantic Gap)现象：
图像的底层视觉特性和高层语义概念之间的鸿沟
老师通俗地讲就是：相似的视觉特性 ，不同的语义概念；
不相似的视觉特性，相同的语义概念；
2.图像识别基本框架
测量空间通过特征表示到特征空间，特征空间通过特征匹配到类别空间。
特征表示在传统方法上表现为：设计特征；在深度学习上表现为：学习特征。
3.早期图像识别技术处理流程
(1)特征提取：全局特征提取，即用全局的视觉底层特性统计量表示图像
全局特征如有：颜色特征，纹理特征，形状特征等
但这也是早期图像处理技术存在的问题：全局特征丢掉了图像细节
(2)索引技术：二进制哈希
减少了特征存储的空间，以及特征相似度计算的复杂度
(3)相关反馈：根据可观察的行为推断用户意图
(4)重排序：对于初始排列名表进行重排列，通过视觉信息选取更加近似的。
4.中期图像识别框架
(1)特征提取：
局部特征（Local Feature）：图像区块（patch）的向量
特征检测子Feature Detector(检测图像区块中心位置)；特征描述子Feature Descriptor(描述区块的视觉内容)
(2)向量化：
(3)索引技术：
(4)后处理：
提升一致性高的匹配结果得分；降低一致性低的匹配结果得分。
人工智能的概念：
在这里，老师讲解的一句话我感受很深刻，就是去除人的感性，留下人的理性，使得其发挥最大利益化，这就是人工智能。
机器学习的过程：
深度学习的概念：
建立模仿人类大脑的模型，使用神经网络这种函数来解决机器学习的问题，层数多所以称之为深度。
基于深度学习的图像识别
图像分类：对于给定的图像，预测图像级别的标签
第一天实践收获
第一天实践任务为：制作实时疫情可视化
此任务对我来说，难度较大，涉及爬虫，并且python基础很一般，未接触过爬虫，不过老师给的有其他类似例子，爬虫部分已经给出，在热心群友的帮助指点下最终完成了作业。
在我理解下此任务分为两部分，一部分为：爬虫部分；另外一部分为：使用百度开源的数据可视化工具Echarts，里面包含很多精巧的图表设计，良好的交互性，在其API中找到饼图pie的配置，进行全局配置和系列配置。
最终结果效果图如下：
此图反映的是2020年3月31日全国累计确诊人数
总结：熟悉了百度AI Studio平台的使用，notebook上搭建环境编译的方便，见识到了强大的开源功能
以上图片均来自百度AI Studio平台，感兴趣的大家可以也去学习一番哈！
https://aistudio.baidu.com/aistudio/index
码字不易，你的支持是我创作的最大动力，给个点赞关注下吧
