第六章——图像识别与卷积神经网络
6.1 图像识别问题简介及经典数据集
第五章用到的MNIST手写体识别数据集。
CIFAR 数据集就是一个影响力很大的图像分类数据集。CIFAR 数据集分为了 CIFAR-10 和 CIFAR-100 两个问题,它们都是图像词典项目(Visual Dictionary)中 800 万张图片的一个子集。 CIFAR 数据集中的图片为 32×32 的彩色图片,每张图片仅包含一个种类的物体。
CIFAR-10 问题收集了来自 10 个不同种类的 60000 张图片。和 MNIST 相比, CIFAR 数据集最大的区别在于图片由黑白变成的彩色, 且分类的难度也相对更高。CIFAR 官网 ht叩s://www.cs.toronto.edu/~kriz/ cifar.html 提供了不同格式的 CIF1忧 数据集下载, 具体的数据格式这里不再赘述。
无论是 MNIST 数据集还是 CIFAR 数据集,相比真实环境下的图像识别问题, 有 2 个 最大的问题。第一,现实生活中的图片分辨率要远高于 32× 32,而且图像的分辨率也不会 是同定的。第二,现实生活中的物体类别很多,无论是 10 种还是 100 种都远远不够,而且 一张图片中不会儿出现一个种类的物体。为了更加贴近真实环境下的图像识别问题,由斯 坦福大学(Stanford University)的李飞飞(Feifei Li)教授带头整理的 ImageNet 很大程度 地解决了这两个问题。
ImageNet 是一个基于 WordNet®的大型图像数据库。在 ImageNet 中,将近 1500 万图片 被关联到了 WordNet 的大约 20000 个名词同义词集上。目前每一个与 ImageNet 相关的 WordNet 同义词集都代表了现实世界中的一个实体,可以被认为是分类问题中的一个类别。ImageNet 中的图片都是从互联网上爬取下来的,井且通过亚马逊的人工标注服务(Amazon Mechanical Turk)将图片分类到 WordNet 的同义词集上。 在 ImageNet 的图片中, 一张图片中可能出现多个同义词集所代表的实体。
在物体识别问题中 , 一般将用于框出实体的矩形称为 bounding box
ImageNet 每年都举办图像识别相关的竞赛 ClmageNet Large Scale Visual Recognition Challenge, ILSVRC),而且每年的竞赛都会有一些不同的问题,这些问题基本涵盖了图像识别的主要研究方向。 ImageNet 的官网 http://www.image-net.org/challenges/LSVRC 列出了历届 ILSVRC 竞赛的题目和数据集。不同年份的 ImageNet 比赛提供了不同的数据集,本书 将着重介绍使用得最多的 ILSVRC2012 图像分类数据集。
注:ImageNet数据集中根据任务种类不同有不同的数据集,这里主要使用的是分类数据集。
top-N 正确率指 的是图像识别算法给出前 N 个答案中有一个是正确的概率。在图像分类问题上,很多学术论文都将前 N 个答案的正确率作为比较的方法,其中 N 的取值一般为 3 或 5。
6.2 卷积神经网络简介
第五章使用的神经网络是全连接神经网络,所使用的是FC全连接层。即相邻两层之间各个节点之间都有连接。
一般有三种网络:全连接神经网络,卷积神经网络(CNN),循环神经网络(RNN)
<