光电、材料与半导体专业术语辞典
汇总光电技术、材料分析、半导体物理及 AI 辅助科学计算中常用的专业术语与缩写，便于查阅与交叉引用。
Research Hub
研究
本页面记录在 人工智能 (AI)、光电技术 (Optoelectronics)、材料分析 (Materials Analysis) 及 半导体物理 (Semiconductor Physics) 等领域的研究动态、学术笔记及深度思考，探索跨学科前沿技术的足迹。
论文解读：BERT - 基于Transformer的双向编码器表征
BERT (Bidirectional Encoder Representations from Transformers) 是由 Google 团队在 2018 年提出的预训练语言模型底座。它是第一个基于 Transformer 架构的深层双向 Encoder。它的出现改变了自然语言处理（NLP）领域的范式，在发布时横扫了多项自然语言处理任务，在流行的 GLUE 基准上超过了当时所有的最强模型。
目前，基于 BERT 衍生的纯 Encoder 模型依然在 NLP 行业（尤其是文本分类、实体识别等自然语言理解任务 NLU）中占据着主导地位。
论文：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
论文解读：Transformer-Attention Is All You Need
Transformer是2017年Google论文《Attention is All You Need》提出的一种模型结构，颠覆了通过RNN进行序列建模的思路，已被广泛应用于NLP各个领域，如出色的Bert、GPT都是基于Transformer模型。
论文解读：DeepLab - 用于语义图像分割的深度卷积网络
DeepLabv1是在2015年发表，在此之前，图像分类、目标检测、语义分割等都基于DCNN模型发展，但DCNN会存在重复池化导致分辨率下降；位置信息丢失，难以恢复，分割结果粗糙，丢失细节等问题；故DeepLab系列对DCNN等问题进行改进。
DeepLab v1
论文：Semantic image segmentation with deep convolutional nets and fully connected CRFs
论文解读：Mask R-CNN - 实例分割通用框架
Mask R-CNN是一个小巧灵活的通用实例级分割框架，对图像进行目标检测，还可对每一个目标给出一个高质量的分割结果。它在Faster R-CNN基础之上进行扩展，并行地在bounding box recognition分支上添加一个用于预测目标掩模（object mask）的新分支。具有扩展性强、结构简单、准确度高、容易理解，是图像实例级分割的优秀模型。
论文：Mask R-CNN
论文解读：UNet - 用于生物医学图像分割的卷积网络
U-NetU-Net是2015年发表的用于生物医学图像分割的模型，该模型简单、高效、容易理解、容易定制，能在相对较小的数据集上实现学习。
论文：U-Net: Convolutional Networks for Biomedical Image Segmentation
论文解读：YOLO - 统一实时目标检测
YOLO（You Only Look Once ），创造性的将物体检测任务直接当作回归问题来处理，将候选区和检测两个阶段合二为一。目前YOLO版本已经更新到YOLO7，另外还有许多YOLO变种。
论文解读：SSD - 单次多框检测器
SSD是一种One Stage的检测模型，相比于R-CNN系列模型上要简单许多。其精度与Faster R-CNN相匹敌，而速度达到59FPS，速度上超过Faster R-CNN。
论文解读：Faster R-CNN - 通过区域建议网络实现实时目标检测
Faster R-CNN结构上将特征抽取，region proposal提取，bbox regression（包围边框回归），分类都整合到了一个网络中，综合性能有较大提高，检测速度提升较大。
论文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
论文解读：Fast R-CNN - 基于区域卷积网络的目标检测
Fast R-CNN基于R-CNN和SPPNets，进行模型改进。不需要再生成2000个候选区域，只需要特征提取一次，使用selective search生成2000个区域候选框，再CNN卷积，Rol池化形成特定长度特征向量，送入全连接FC，Softmax，输出定位信息。速度较R-CNN有提升，但依旧慢。
论文：Fast R-CNN
