深度學習在前人精度很高的情況下如何創(chuàng)新？
常見的思路我臨時給它們取了幾個名字：無事生非，后浪推前浪，推陳出新。
1. 在原始的數(shù)據(jù)集上加一些噪聲，例如隨機遮擋，或者調整飽和度什么的，主要是根據(jù)具體的任務來增加噪聲或擾動，不可亂來。如果它的精度下降的厲害，那你的思路就來了，如何在有遮擋或有噪聲或其他什么情況下，保證模型的精度。（無事生非）
2. 用它的模型去嘗試一個新場景的數(shù)據(jù)集，因為它原來的模型很可能是過擬合的。如果在新場景下精度下降的厲害，思路又有了，如何提升模型的泛化能力，實現(xiàn)在新場景下的高精度。（無事生非）
3. 思考一下它存在的問題，例如模型太大，推理速度太慢，訓練時間太長，收斂速度慢等。一般來說這存在一個問題，其他問題也是連帶著的。如果存在以上的問題，你就可以思考如何去提高推理速度，或者在盡可能不降低精度的情況下，大幅度減少參數(shù)量或者計算量，或者加快收斂速度。（后浪推前浪）
4. 考慮一下模型是否太復雜，例如：人工設計的地方太多，后處理太多，需要調參的地方太多。基于這些情況，你可以考慮如何設計一個end-to-end模型，在設計過程中，肯定會出現(xiàn)訓練效果不好的情況，這時候需要自己去設計一些新的處理方法，這個方法就是你的創(chuàng)新。（后浪推前浪）
5. 替換一些新的結構，引入一些其它方向的技術，例如transformer，特征金字塔技術等。這方面主要是要多關注一些相關技術，前沿技術，各個方向的內容建議多關注一些。（推陳出新）
對于加噪聲或者隨機遮擋的問題，可以參考下面這篇《數(shù)據(jù)增強方法總結》
對于輕量化，或者加快推理速度，或者減少參數(shù)量等方面的方法，可以參考下面兩篇文章
10000+人已加入「大毛CV」
敬正在努力的我們！ 