什么是图像分类？
图像分类的核心任务是从预定义的一类图像中为图像分配标签。分析输入图像并返回标签对图像进行分类。标签始终来自一组预定义的可能类别。
比如预定义的标签为：
categories = {cat, dog, panda}
image.png
分类系统还可以通过概率为图像分配多个标签。比如狗：95％;猫：4％;熊猫：1％。更重要的是，W×H像素输入图像有三个通道，Red，Green和Blue，分析W×H×3 = N像素图像，并弄清楚如何正确分类图像的内容。
image.png
在图像分类中，我们的数据集是图像的集合。因此，每个图像都是数据点。
image.png
左边猫，右边狗，电脑看到的是像素矩阵。实际上，计算机并不知道图像中有动物。
image.png
上图可描述如下：
•空间：天空位于图像的顶部，沙/海洋位于底部。
•颜色：天空是深蓝色，海水浅蓝色，而沙子则是
棕褐色。
•纹理：天空具有相对均匀的图案，而沙子非常粗糙。
需要应用特征提取来量化图像的内容。特征提取是获取输入图像，应用算法和获得特征向量的过程。可使用HOG，LBP或其他传统图像量化方法。也可应用深度学习来自动学习。
image.png
视角：方向/旋转等
大小
变形
遮挡
照明
背景
类内变异
对内容做出假设：图像以及容忍的变化。最终目标是什么？我们想要建立什么？
如果采用过于广泛的方法，例如“我想对厨房的每个对象进行分类和检测，除非你有多年构建图像分类器的经验，否则不太可能表现良好。但是，如果你构建问题并使其范围缩小，例如“我想要识别只是炉子和冰箱“，那么你的系统更可能是准确和有效。尽管深度学习和卷积神经网络强大，你仍然应该尽可能地保持项目的范围。ImageNet的图像分类的事实标准的基准数据集：计算算法由我们在日常生活中遇到的1,000个对象组成。
学习类型
常见的监督学习算法包括逻辑回归(Logistic Regression)，支持向量机(SVM Support Vector Machine）随机森林(Random Forest)和人工神经网络(Artificial Neural Network)。
image.png
无监督学习(有时称为自学式学习)没有与输入数据相关联的标签，因此我们无法更正我们的模型预测。
用于无监督学习的经典机器学习算法包括主成分分析(PCA Principle Component Analysis）和k均值聚类( k-means clustering)。对于神经网络，还有自动编码器(Autoencoders)，自组织映射(Self-Organizing Map: SOM）和自适应共振理论(Adaptive Resonance Theory)。
image.png
半监督学习算法将采用已知的数据，分析它们，并尝试标记每个未标记的数据点。半监督学习在计算机视觉中特别有用，我们根本没有时间或资源来标记每个个人形象。方法有标签传播(label spreading)，标签累积(label propagation)，梯形网络(ladder network)和共同学习/共同培训(co-learning/co-training)。
image.png
深度学习的流程
思维方式的转变
0,1,1,2,3,5,8,13,21,34 ......
当然，我们也可以使用（在极其未经优化的）Python函数中定义此模式
递归：
>>> def fib(n):... if n == 0:... return 0... elif n == 1:... return 1... else:... return fib(n-1) + fib(n-2)... >>> fib(7)13>>> fib(13)233>>> fib(35
深度学习和图像分类没有定义函数这么简单。没有确定的规则，而是采用数据驱动的方法归类。
每个类别看起来像然后教我们的算法识别之间的差异
训练数据集包括：
1.图像
2.图像的标签/类别(即狗，猫，熊猫等)
image.png
步骤＃1：收集数据集
图像本身以及与每个图像相关联的标签。例如：categories = dog，cat，panda。此外，每个类别的图像数量应大致相同(即每个类别的相同数量的例子)。
步骤2：拆分数据集
现在我们有了初始数据集，我们需要将它分成两部分：
1.训练集
2.测试集
image.png
神经网络有需要调整，例如，学习率，衰减，正则化等，称为超参数。注意训练集、调整超参数的验证集和测试集一定要严格分开。
步骤3：训练您的网络
网络了解如何识别标记数据中的每个类别。当模型出错时，如何从这个错误中学习并改进自己。一般来说，我们应用一种梯度下降的方法。
步骤＃4：评估测试
除了正确性(ground-truth标签)，还有聚合报告，如精度，recall和f-measure，用于量化整个网络的性能。
在传统的，基于特征的图像分类方法中，在步骤＃2和步骤＃3之间有特征提取。采用HOG、LBP等算法，基于我们想要编码的图像的特定分量(即形状、颜色、纹理)量化图像的内容，然后继续训练我们的分类器并对其进行评估。
在构建卷积神经网络时，我们实际上可以跳过特征提取。这是因为CNN是端到端的模型。但训练CNN是非常重要的过程。
作者：python作业AI毕业设计
链接：https://www.jianshu.com/p/273ec3b1b988
随时随地看视频
