- 1.基于大量数据的简单模型，胜于基于少量数据的复杂模型；
- 2.更多的数据胜于聪明的算法，而好的数据胜于多的数据。
- 一旦你意识到，机器学习模型只是数据的一个视图，你就会真正开始对数据集感兴趣
- 1.1、有时候调参不如有效的数据预处理
- 1.2、数据决定上限 模型决定下限：
- 数据决定了性能高度，模型只是在高度基础上做的微小提升，等再回头看下模型中隐含的假设，就会发现数据是用来验证的。
- 1、具体问题具体分析，良好的数据集构建是成功的一半。
- 2、目标检测识别两类，目标类和背景(多类目标统一作为一类)，进而将目标检测的得到的图片类送入分类网络进行分类(多类目标和背景类进而分出来)-----为了提高精度。
- 3、缩放比例
一些目标和场景未必需要保持图像比例：行人太细可以考虑拉宽点分辨率训练；一些车道检测也会通过视角变化来获得更好效果，或者方便使用传统方法快速检测。
- 4、注意图像带有的旋转角度信息对检测影响，尽量消除图像带有旋转角度信息。
持续整理中ing:
一些改进模型速度/精度的工程方法
小目标检测相关技巧总结
样本不平衡问题 | 目标检测
目标检测比赛中的trick
sample-free（样本不平衡）
拯救小目标检测！Tiny Person数据集和SM尺度匹配小目标检测新方法
目标检测系列三：奇技淫巧
小目标检测论文/相关资源大列表
目标检测比赛：
一些比赛汇总链接，里面的技巧也可以拿来学习：
目标检测比赛入门：
天池铝材缺陷检测：
津南数字制造算法挑战赛：
布匹缺陷检测---2019广东工业智造创新大赛【赛场一】：
天池瓶装酒的瑕疵：
Crowdhuman人体检测比赛第一名经验总结：