活体检测算法有哪些（瑕疵检测识别的方式又分为了两大类方式）

瑕疵检测是一种关键的质量控制技术。在许多行业和应用领域中都有着广泛的应用，大幅度减少人力生产成本。通过上面这些数据题，大家总结出来的，这些面向学界的数据题可以再去深入的体会一下什么叫难，什么叫易。

最开始讲过这个问题，但是我希望从难大家从难易这个角度来说，主页联系一对一瑕疵检测定制。再从另外一个角度考虑，就是有时候小的这种瑕疵比较难检测的瑕疵在工业生产中真的是那么看重吗？这个东西就跟你生产的要求有关系，比如说如果你的生产品质要求没有那么高，实际上一些小的瑕疵是可以放过的。

如果这些小的瑕疵放不过去，不放过就会意味你的良品率很低，你的产出很少，所以这中间都是平衡。这就为什么要深刻的了解领域知识以后，才能改变那些指标，或者是调整些指标来适应。然后算法去更好的适应它，为了那1%的准确率提升，突然花了很大力气，到底值不值代价成本的关系？

接下来重头戏就是算法方面，这个有了数据集燃料做好准备以后，科学家们就开始放飞自我，发挥想象力就准备出发了。首先经典有两类，相当于大家也知道一种是监督，一种无监督的。监督就相当于我用了标注的样本，然后去训练。当然今天重点讲的是无监督的，主要解决的就是标注没有或者比较少的情况，或者比较难覆盖那么多样本的情况下该怎么办？主要重点是小样本的问题。

这里面有些图参考这篇文章。首先要回到一个很基本的问题，就是在不管是深度学习还是机器学习，还是传统方法，只要你去学习这两个字，那么就一定会涉及到两类，两大类思路或者两大类方法。一类叫做generative，一类叫QUAtive，就叫做生成式和判别式模型。

这两类方法有一个很本质的区别，你看左边就是我相信我的数据是分成两类的，我先有相信，是像两个高斯一样的。所以我再去见过两个高斯去拟合去ft这个数数据。

→而右边是我不管数据长成什么样子，我都要尝试找一个分分分类面。这两个是两个哲学上的差异，一种是我先有相信再去适配，一种是我先我直接适配就没有相信了。就像一个西瓜一样，我相信所有的西瓜都是圆的，这就是generitiu的方法。然后我再去用这个椭圆来适配所有的西瓜。

→而QUAR就是强制去不管你是什么西瓜，都要把我强扭的瓜不甜吗？要用分类面给你强扭回来，把你标的正类和负类给分开对吧？所以QUAR往往对应的其实就是supervise，supervise足够多足够强才能让分类面变得更好。这两类可以看起来它们的思、思路是完全不一样的。

→他们追根溯源追根的实际上是贝叶斯理论。贝叶斯理论是很经典，而且内涵极其丰富的，就类似于物理学界F等于MV，或者是在爱因斯坦的一等于MC方这种地位在物理学的地位就相当于贝叶斯，在机器学习的定位就相当于那两公式在物理学界的地位。

这两个东西在学界有两个流派，一种叫做贝耶斯流派这边，然后QUAl就是频率派。他们俩其实在贝耶斯这个公式这块是能够达成共识的，只不过再往后走就出现分歧了。

·贝耶斯公式描述的是一件什么事情？就是先验跟后验的事情。就是后验概率，实际上是追求的s，就代表我观察了一堆数据，一堆下瑕疵样本有了。然后我想在这个瑕疵的数据中，或者是没问题的数据中去寻找规律，或者寻找一个模型，来去对这个数据做一个浓缩。

→然后有模模模型以后我将就能预测，这是一致的目标，但是这个目标通过简单的概率公式。

大家可以分解出来什么？就是说第一个就是说我对我这个模型事先的信念，就我认为它多可信。在PC大注意它还没有x，也就是说没有看到数据之前，我就觉得应该是高斯，它应该是高斯对吧？然后这个叫做鲜艳。第二个叫做ikely hold，就是说我有了这个模型以后，它跟我这个数据多匹配多像。这个是很经典的一个公式。