開始做新項目啦QAQ
一些背景知識
什麼是無監督式，監督式學習？
在正文開始前，我想搞懂這個問題是非常重要的。在目前的機器學習領域，大概把訓練(/學習)過程分爲三類，一類是監督式學習，一類是半監督式學習，一類是無監督式學習。自學習目標分類器/檢測器正是屬於無監督式學習的範疇。半監督式學習在這裏就不展開說了。下面大概說一下自己對剩下兩種模式的理解：
監督式學習
顧名思義，就是人爲提供數據與標定。比如在目標分類中，每張圖片標定一個onehot編碼/數字索引。在目標檢測中每張圖片提供一些bounding box座標。以上的這些把數據人爲標定上一定的值，輸入網絡，進行訓練，從而擬合出一個合適的數據關於標定的“公式” 的思路，稱爲監督式學習。
無監督式學習
不提供標定好的數據，直接向網絡輸入數據，由網絡根據輸入數據，進行特徵提取，從而輸出結果。意義：有些數據人工無法標定；有些數據，人工標定的難度太高。
自學習目標分類器
在探究了自學習目標分類器後，我覺得它應該算是最簡單的無監督式學習demo了。它的主題思想如下:
訓練
將矩陣輸入backbone後得到fmap，再將fmap做聚類。不過此處有個地方，我還是不太理解。就是在數據不確定的情況下，如何用手肘法確定合適的K值。(後面再仔細想想)
預測
經過聚類後，假設我們得到了n個類別。此時，便完成了學習的過程(特徵提取並分類)。之後，我們便可以進入預測。假設此時有一個圖像矩陣輸入網絡，得到了fmap。我們的目標是爲了得到這個fmap的類別(即圖像矩陣的類別)。而再上一步中，我們已經通過聚類獲得了n個類別了。那麼，判斷這個fmap的類別也非常簡單了。我們只需計算這個fmap和n個類別中心點的距離，找出距離最小值所對應的類別中心點索引，就可以實現對fmap類別的分類。
實操
嘴上說起來還是挺簡單的QAQ，但是許多問題還是要實操下才行。這樣纔會暴露一些bug出來。明天早上再去研究研究，今天就先寫這麼多吧。
運行效果
一些重要的地方
K值如何確定？
經過，今早的思考。我認爲，這個K值是無需像yolo裏面的anchor聚類一樣，通過手肘法找到K值。K值就是分類值(你希望把一個數據的特徵，用多少個特徵中心點表示(/概括))
backbone選擇？
根據對以上原理的推敲，我們希望backbone輸出是個fmap。故我們只需要找個合適的backbone，假如它的輸出就是fmap的話，那再好不過了(比如mobilenet 的no include top)。如果他的輸出不是fmap，我們只需要在頂層重新加個conv就行。
剛好最近對於無監督的目標檢測沒啥思路，所以打算下週一開始，花個1-3天左右，在pc上搭個自學習目標分類器看看。以便於自己更加深入瞭解整個搭建過程中的思路，收穫一些靈感，爲後面做無監督目標檢測提供些靈感。