backbone 在神经网络中是什么意思？
What does backbone mean in a neural network?
我对神经网络中“backbone”的含义感到困惑，尤其是在 the DeepLabv3+ paper 中。我做了一些研究，发现 backbone 可能意味着
the feature extraction part of a network
DeepLabv3+ 以 Xception 和 ResNet-101 作为其 backbone。但是，我不熟悉DeepLabv3+的整个结构，backbone指的是哪部分，哪些部分保持不变？
backbone 的一般描述或定义也将不胜感激。
TL;DR Backbone 不是深度学习中的通用技术术语。
(免责声明：是的，可能有一种特定的方法、层、工具等被称为“backbone”，但没有“backbone的神经网络”一般。）
如果作者在描述神经网络架构时使用“backbone”这个词，他们的意思是
- 特征提取（“看到”输入的网络的一部分），但这种解释在该领域并不十分普遍：例如，在我看来，计算机视觉研究人员会使用该术语来表示特征提取，而自然语言处理研究人员不会。
- 用非正式语言来说，这部分问题对整个方法至关重要。
在我的理解中，“backbone”指的是在DeepLab架构中使用的特征提取网络。该特征提取器用于将网络的输入编码为某种特征表示。 DeepLab 框架围绕这个特征提取器“包装”了一些功能。通过这样做，可以交换特征提取器，并可以选择一个模型以在准确性、效率等方面适合手头的任务。
对于 DeepLab，术语 backbone 可能指的是 ResNet、Xception、MobileNet 等模型
Backbone 是 DeepLab models/papers 中用来指代特征提取器网络的术语。这些特征提取器网络从输入图像计算特征，然后通过 DeepLab 模型的简单解码器模块对这些特征进行上采样以生成分段掩码。 DeepLab 模型的作者已经展示了不同特征提取器（主干）的性能，如 MobileNet、ResNet 和 Xception 网络。
CNN 用于提取特征。有几种 CNN 可用，例如 AlexNet、VGGNet 和 ResNet（骨干网）。这些网络主要用于对象 classification 任务，并在一些广泛使用的基准和数据集（如 ImageNet）上进行了评估。在图像 class 化或图像识别中，class 化器 class 化图像中的单个对象，为每个图像输出一个类别，并给出匹配的概率 class.而在物体检测中，模型必须能够识别单个图像中的多个物体，并提供识别物体位置的坐标。这表明对象的检测可能比图像的class化更困难。
来源和更多信息：https://link.springer.com/chapter/10.1007/978-3-030-51935-3_30
我对神经网络中“backbone”的含义感到困惑，尤其是在 the DeepLabv3+ paper 中。我做了一些研究，发现 backbone 可能意味着
the feature extraction part of a network
DeepLabv3+ 以 Xception 和 ResNet-101 作为其 backbone。但是，我不熟悉DeepLabv3+的整个结构，backbone指的是哪部分，哪些部分保持不变？
backbone 的一般描述或定义也将不胜感激。
TL;DR Backbone 不是深度学习中的通用技术术语。
(免责声明：是的，可能有一种特定的方法、层、工具等被称为“backbone”，但没有“backbone的神经网络”一般。）
如果作者在描述神经网络架构时使用“backbone”这个词，他们的意思是
- 特征提取（“看到”输入的网络的一部分），但这种解释在该领域并不十分普遍：例如，在我看来，计算机视觉研究人员会使用该术语来表示特征提取，而自然语言处理研究人员不会。
- 用非正式语言来说，这部分问题对整个方法至关重要。
在我的理解中，“backbone”指的是在DeepLab架构中使用的特征提取网络。该特征提取器用于将网络的输入编码为某种特征表示。 DeepLab 框架围绕这个特征提取器“包装”了一些功能。通过这样做，可以交换特征提取器，并可以选择一个模型以在准确性、效率等方面适合手头的任务。
对于 DeepLab，术语 backbone 可能指的是 ResNet、Xception、MobileNet 等模型
Backbone 是 DeepLab models/papers 中用来指代特征提取器网络的术语。这些特征提取器网络从输入图像计算特征，然后通过 DeepLab 模型的简单解码器模块对这些特征进行上采样以生成分段掩码。 DeepLab 模型的作者已经展示了不同特征提取器（主干）的性能，如 MobileNet、ResNet 和 Xception 网络。
CNN 用于提取特征。有几种 CNN 可用，例如 AlexNet、VGGNet 和 ResNet（骨干网）。这些网络主要用于对象 classification 任务，并在一些广泛使用的基准和数据集（如 ImageNet）上进行了评估。在图像 class 化或图像识别中，class 化器 class 化图像中的单个对象，为每个图像输出一个类别，并给出匹配的概率 class.而在物体检测中，模型必须能够识别单个图像中的多个物体，并提供识别物体位置的坐标。这表明对象的检测可能比图像的class化更困难。
来源和更多信息：https://link.springer.com/chapter/10.1007/978-3-030-51935-3_30