图像分类任务介绍

什么是图像分类任务，它有哪些应用场合

图像分类任务：图像分类任务是计算机视觉中的核心任务，其目的是根据图像信息中所反映的不同特征，把不同类别的图像区分开来。
应用场合

• 图像分类：从已知的类别标签中为给定的输入图片选定一个类别标签。
• 图像识别：知道该物体是什么；
• 图像搜索：在互联网上搜到该图片的信息(在街上拍个照片去搜索，就知道这个图片在什么位置)
• 目标检测
• 图像分割
• 图像生成

图像分类任务有哪些难点

跨越语义鸿沟，建立像素到语义的映射

• 视角(不同角度看到同一物体是不一样的)
• 光照(不同的光照照射到同一物体上反应出来是不一样的)
• 尺寸(从不同的距离看物体大小是不一样的)
• 遮挡
• 形变(比如同一只猫趴着和站着是不一样的)
• 背景杂波(在背景和物体有相似性，背景对识别进行了干扰)
• 类内形变(同一类物体具有不同的形状，比如各种各样的凳子)
• 运动模糊(一个像素记录了多个像素的值)
• 类别繁多

基于规则的编码方式是否可行

硬编码：把人的理解写成代码，通过硬编码的方法识别物体是一件很困难的事情；

什么是数据驱动的图像分类范式

• 数据集构建(很多猫、狗等的图片和类别标签)
• 分类器设计和学习(从数据中学习)
• 分类器决策

图像表示

• 像素表示(RGB)
• 全局特征表示(如：GIST，从图像中抽出频率特征，适用于大场景)
• 局部特征表示(适应于遮挡，用几个区块特征，即使某个区块被遮挡，也可以用别的区块下结论)

分类器

• 近邻分类器
• 贝叶斯分类器
• 线性分类器
• 支持向量机分类器
• 神经网络分类器
• 随机森林
• Adaboost

损失函数

• 0-1损失
• 多类支持向量机损失
• 交叉熵损失
• L1损失
• L2损失

优化方法

一阶和二阶方法都是迭代优化法。

• 一阶优化方法
  • 随机下降法
  • 随机梯度下降
  • 小批量随机梯度下降
• 二阶方法
  • 牛顿法
  • BFGS
  • L-BFGS

训练过程

• 数据集划分(训练集、测试集和验证集)
• 数据预处理
• 数据增强(旋转、裁剪)
• 过拟合和欠拟合(过拟合：在数据集上表现很好，在实际中效果很差；欠拟合：怎么训练都不行，模型太简单而事情太复杂，怎么训练都搞不定)
  • 减少算法复杂度
    • 使用权重正则项
    • 使用droput正则化
• 超参数调整(超参数：确定的参数，比如神经元层数，个数；参数：训练过程中确定的数)
• 模型集成(通过运用多个模型，使系统性能更好)

常用的分类任务评价指标是什么

正确率 = 分对的样本数/全部样本数
错误率 = 1 - 正确率
Top1指标与Top5指标

• top1：分类结果中第一个正确的才是正确的；
• top5:分类结果中前五个有一个正确的才是正确的；