机器学习中的一些名词解释

细粒度（fine-grained）

首先看两组图

通过这两组图像，粗略观察会发现差别不是很大，所以我们仔细的去看，就能发现一些细节性的差别。两类不同的鸟，但是差别很小，主要应该就在眼部。由此，引出了细粒度类别检测。平时，我们在做目标检测的过程中，也可以通过引入该思想，让我们对目标只提取高判别性的特征，提高目标特征的表达，提升检测结果的精度。

ground truth

在机器学习中ground truth表示有监督学习的训练集的分类准确性，将那些正确打标记的数据成为ground truth。
在全监督学习中，数据是有标签（label）的，以(x, t)的形式出现，其中x是输入数据，t是label。正确的t标签是ground truth， 错误的标签则不是。由模型函数的数据则是由(x, y)的形式出现的。其中x为之前的输入数据，y为模型预测的值。标注会和模型预测的结果作比较。在损失函数中会将y 和 t 作比较，从而计算损耗（量化预测值与真实值的差别）。 比如在最小方差中：

因此如果预测标签不是ground truth，那么loss的计算将会产生误差，从而影响到模型质量。
例如：
1.错误的数据
标注数据1 ( (84,62,86) , 1)，其中x =(84,62,86), t = 1 。 （正确标记的数据叫做ground truth）
标注数据2 ( (84,162,86) , 1)，其中x =(84,162,86), t = 1 。(这里训练数据标记错误)
这里标注数据1是ground truth， 而标注数据2不是。
预测数据1 y = -1
预测数据2 y = -1

2.正确的数据
标注数据1 ( (84,62,86) , 1)，其中x =(84,62,86), t = 1 。
标注数据2 ( (84,162,86) , 1)，其中x =(84,162,86), t = -1 。 （改为ground truth）
这里标注数据1和2都是ground truth。
预测数据1 y = -1
预测数据2 y = -1