图像分类任务,
输入原始图像,输出图像的标签
图像分类的难点,
视角,尺寸,光线,遮挡,变形,背景,类别等不一致
图像的一般任务,
分类,检测,分割,图像描述等
方法,
传统图像分类方案,提取特征,针对性的设计分类器;
数据驱动,模型学习特征,完成分类等任务;
收集数据,进行标注,训练模型,评估模型,部署模型。
经典的数据集,
MNIST, CIFAR10, ImageNet
简单的数据驱动示例,
模型本身就是所有的数据,无需训练。
在推理时,按照L1 loss,找最近邻,得到标签。
最近邻的参数,
类别数,最近邻的数量,最近的函数
数据的分组,训练数据、评估数据、测试数据。
测试数据真正的用来测试,评估数据用于调参,测试数据用于模型的最终评估。
但是这种方法有问题
需要足够的数据去覆盖多维空间,几乎不可能。
推理时做最近邻计算,非常慢。
简单的初始状态的最近邻函数,效果不会特别好。