多任务级联

通过级联（即顺序连接）不同的任务来改善整体模型性能。这种方法通常涉及将几个相关的任务组织成一个流水线，其中每个任务的输出都作为下一个任务的输入。多任务级联的核心思想是利用不同任务之间的内在联系和互补信息，以此来增强模型的泛化能力和提高特定任务的精度。

多任务级联网络，来自https://blog.csdn.net/jiebaoshayebuhui/article/details/128258888

深度可分离卷积

https://zhuanlan.zhihu.com/p/166736637/

深度卷积

• Depthwise Convolution：对输入feature map的每个通道分别使用一个卷积核，然后将所有卷积核的输出再进行拼接得到它的最终输出。

逐点卷积

• Pointwise Convolution： 实际为1×1卷积， 将得到的特征进行融合(不是昨天看的论文进行简单的张量拼接了)，最终的输出通道为1。

线性瓶颈

• Linear Bottleneck：通常指的是网络中的一个层或模块，它通过减少中间层的维度来压缩信息。这种设计模式常见于轻量级网络架构中，目的是减少计算复杂度和模型参数，同时尽量保留重要信息，如MobileNet中的逐点卷积层。

倒残差结构

先扩展然后再压缩通道数的方式来构建残差模块。这种设计在轻量级网络中尤为有效，因为它能在减少计算复杂度和模型大小的同时，增强特征提取能力。

深度学习的流形是指什么？(from GPT)

一个流形是一个在局部区域内近似为欧几里得空间的空间，这意味着虽然数据的整体结构可能在高维空间中非常复杂，但在小的局部区域内，数据点可以通过较低维度的空间来描述。

• 流形假设
  深度学习中的流形假设基于这样一个观点：尽管实际数据（如图像、文本、声音等）可以存在于高维空间中，但它们通常局限在这些高维空间中的某些低维流形上。这是因为真实世界中的数据往往由一些内在的规律或约束所支配，这些规律或约束限制了数据的变化范围，使得数据在本质上不需要用全部的高维空间来表示。

网络退化

随着神经网络层数的增加，网络的训练误差和测试误差反而会增加，导致性能下降的问题。

• 原因：
  梯度消失/爆炸：在深层网络中，梯度通过层反向传播时可能变得非常小（消失）或非常大（爆炸），这使得权重难以更新，从而阻碍了网络的学习。
  优化困难：深层网络的优化问题可能更加复杂和非凸，找到良好的全局最小值变得更加困难。
  参数效率降低：随着层数的增加，模型参数的数量急剧增加，但这些额外的参数并不总能带来性能上的提升，有时甚至会导致性能下降。