以下留言为直播中马博与听众的精选问答，欢迎各位在本帖留言提问，我们会邀请马博进行部分回答。

Q：用迁移学习是否会有提升？
A：会有提升。一般我们用的是imagenet的pretrain模型，然后在这个pretrain模型上做训练，一般来说会比直接训练好 。然后包括我们在检测上面，如果是缺陷检测，我们用COCOpretrain模型也会好的。包括我们最近在试一些，比如我们之前有大量的布匹检测的数据，我用这个训练好的模型，然后我在玻璃检测上用，我们发现其实这样训练出来的模型有时候会比COCOpretrain的模型好。

Q：只有十几张缺陷样本，怎样做到小样本训练？小样本下的过拟合真的有用吗？
A：这个有点不现实，基本上不可能，十几张实在是太小了，肯定会过拟合的，我刚才提到的用小样本过拟合的时候其实是为了做一个最开始的网络的一个debug，就是类似于任务最开始的一个探索吧，我们只是看它的可视化结果而不是去参考它的精度，就是说在这种十几个缺陷的情况下，深度学习基本上是没戏的，毕竟这个东西还是数据驱动的一个问题。

我觉得有几点比较有意思：


第一，他们用了特征可视化来判断网络是否学到了有价值的东西；也可以判断问题的定性，比如通过可视化来判断是直接分类还是用检测或者分割；还可以判断数据标注是否有问题，有助于问题的定义。

第二，用了mean-teacher半监督学习方法。

第三，设计了net2net的网络。



但是马博对于小样本的看法我有所保留

Q：深度学习对打光的稳定性要求高吗
A：总体来说它对打光的依赖会比传统算法的依赖要小，但是能够保证打光的一致性的话还是保持需要尽可能保持打光一致性，就是说没有以前那么复杂，但是并不是说这个问题不存在了。

Q：环境光有变化了会影响检测吗？
A：只要你的算法还稍微鲁棒一点的话一般不会有太大影响，但是工业的准确率要求很高，你的漏检率要很低的，尽量要控制变量，让环境的影响尽可能少。

牛 :+1:

@小白学CV 补充下我的看法。之前在直播的时候认真听了这场分享，从我个人的经验分析是，考虑到标图成本与效果，一般会用分割，检测，分类三种方法，然后对不同尺度不同难度的问题进行了不同方式的处理。同时在已有的机器学习的处理缺陷检测的基础上，结合深度学习做模型融合。

工业检测中，字符识别也是个大问题，比如识别生产日期。一个大问题是，本身不连续而且还有可能与相邻字符粘连的字符识别干扰很大，CNN在提取这种特征时，过拟合太常见了。我想问的是，随着样本数的提升，这一情况能否得到改善？

@degomy 过拟合现象在别的检测项目中也很常见，是一个比较基本的问题，增加样本肯定是改善的，可以提高算法的泛化能力，多数情况在样本少的情况导致的过拟合，一般增加样本是最直接的改善方法。

@Admin 能邀请马博给出他们有关工业缺陷检测的方面的论文链接吗？想仔细研读一番，谢谢

@hh_7383 这个与马博确认过，工业缺陷检测这边他们暂时还没发表论文，还没有链接哦~

感谢马博的演讲，可以仔细研读~~

马博，有没有官方联系方式什么的呢？

很好

@zhengxi 有邮箱的哈

PPT下载链接失效了，此链接分享内容可能因为涉及侵权、色情、反动、低俗等信息，无法访问！

链接失效了