记录人工智能相关的英文注释（包含缩写英文注释），方便自己更快的记住它们。我记录这些缩写单词确实不太在行，只能这么做了。。。

以下记录，暂时不分类别、顺序，我想到哪些、遇到哪些就添加哪些，希望后期把大部分单词都记住后，再来做个分类。

1. Backbone：网络骨架。出现在深度学习的目标检测框架中。当前的物体检测算法虽然各不相同，但第一步通常是利用卷积神经网络处理输入图像，生成深层的特征图，然后再利用各种算法完成区域生成与损失计算，这部分卷积神经网络是整个检测算法的“骨架”，也被称为Backbone。Backbone也是物体检测技术的基础。
2. AlexNet：名称的由来是因为它的作者名字叫 Alex，ImageNet 2012 图像分类challenge上赢得了冠军，是CNN在图像分类上的经典模型。
3. VGGNet：VGG（Visual Geometry Group）是牛津大学的一个科研团队，VGGNet 网络模型结构主要是从深度方面对卷积神经网络做改进，2014年夺得 ImageNet 的定位第一和分类第二（分类第一是GoogLeNet）。
4. Inception：Inception v1（又名GoogLeNet）在2014年的ImageNet大赛上，获得冠军。它很好的解决了“增加神经网络的深度容易带来梯度消失的问题”，对特征并行地执行多个大小不同的卷积运算与池化，最后再拼接到一起。比较经典的是引入了 1x1卷积核。 后续又升级有了 Inception v2、 Inception v3、 Inception v4。
5. ResNet：ResNet（Residual Network，残差网络）较好地解决了这个问题，并获得了2015年ImageNet分类任务的第一名。此后的分类、检测、分割等任务也大规模使用ResNet作为网络骨架。
6. ANN：人工神经网络。是英文 Artificial Neural Network 首字母缩写。
7. BN：Batch Normalization（批量标准化）的首字母缩写；
8. GN：Group Normalization（组标准化）的首字母缩写；是 BN 的优化。
9. GAP：Global Average Pooling（全局平均池化层）的首字母缩写；在很多场景中，我们可以使用全局平均池化层（Global Average Pooling，GAP）来取代全连接层。
10. NIN：Network in Network。
11. Dilated Convolution：空洞卷积。空洞卷积最初是为解决图像分割的问题而提出的。常见的图像分割算法通常使用池化层来增大感受野，同时也缩小了特征图尺寸，然后再利用上采样还原图像尺寸。特征图缩小再放大的过程造成了精度上的损失，因此需要有一种操作可以在增加感受野的同时保持特征图的尺寸不变，从而替代池化与上采样操作，在这种需求下，空洞卷积就诞生了。
12. FPN：Feature Pyramid Network（特征金字塔网络），融合了不同层的特征，较好地改善了多尺度检测问题。
13. RCNN：Regions with CNN Features（具有CNN特征的区域），是将深度学习应用到物体检测领域的经典之作，并凭借卷积网络出色的特征提取能力，大幅度提升了物体检测的效果。而随后基于RCNN的Fast RCNN及Faster RCNN将物体检测问题进一步优化，在实现方式、速度、精度上均有了大幅度提升。
14. RPN：Region Proposal Network（区域建议网络）。
15. R-FCN：Region-based Fully Convolutional Networks（基于区域的完全卷积网络），利用一个精心设计的位置敏感得分图（position-sensitive score maps）实现了对位置的敏感，并且采用了全卷积网络，大大减少了网络的参数量。用于代替全连接网络。
16. SSD：Single Shot Multibox Detecor；
17. RSSD：Rainbow SSD，R-SSD（彩虹网络）；一方面利用分类网络增加了不同特征图之间的联系，减少了重复框的出现，另一方面提出了一种全新的深浅特征融合的方法，增加了特征图的通道数，大幅度提升了检测的效果。
18. RFBNet：Receptive Field Block Net（感受野阻滞网络）；RFBNet同时实现了较好的检测性能与较快的速度，并且实现简单，是一个非常优雅的物体检测算法。
19. SNIP：Scale Normalization for Image Pyramid（尺度归一化）。
20. OR-CNN：Occlusion-aware R-CNN （遮挡感知具有CNN特征的区域）。是在Faster RCNN的基础上，对损失函数及RoI Pooling两处进行了改进，引入了part-based的思想，有效地缓解了行人遮挡的问题。