深度学习入门笔记--图像线性分类

这篇博客是为了自己方便回忆知识点做的一些记录和整理，参考资料是知乎专栏的CS231N课程笔记翻译

想看详细版请点链接：

https://zhuanlan.zhihu.com/p/21930884?refer=intelligentunit%20%E8%BF%99%E4%B8%AA%E6%98%AFCS231n%E7%9A%84%E7%BF%BB%E8%AF%91%E7%AC%94%E8%AE%B0

计算机识别图像的困难与挑战

• 视角变化（Viewpoint variation）
• 大小变化（Scale variation）
• 形变（Deformation）
• 遮挡（Occlusion）
• 光照条件（Illumination conditions）
• 背景干扰（Background clutter）
• 类内差异（Intra-class variation）

图像分类流程

输入->学习->评价

从图像到标签分值的参数化映射

该方法的第一部分就是定义一个评分函数，这个函数将图像的像素值映射为各个分类类别的得分，得分高低代表图像属于该类别可能性的高低。

线性分类器

其中W被称为权重（weights），b被称为偏差向量（bias vector）

上面举的例子的分类结果显然不好，分类器输出狗的概率最高，但实际上这是一只猫。

将线性分类器看做模板匹配

关于权重W的另一个解释是它的每一行对应着一个分类的模板。从这个角度看，线性分类器就是再利用学习到的模板针对图像做模板匹配。