图像分类的主要难点

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

图像分类是根据图像的类型（类别）为图像分配标签的过程。考虑我们有以下类别的图像：猫和狗因此，当我们将给定类别的图像提供给图像分类系统时，系统会根据类别为图像分配标签。例如，如果我们将下面给出的图像提供给“图像分类系统”。系统应为图像分配标签“ dog”。

图像分类的挑战：

1.类内变化

2.比例变化

3.视点变化

4.咬合

5.照明

6.背景杂波

1、类内变异

类内差异是同一类图像之间的差异。类内变异的示例是在我们的数据集中具有多种类型的椅子。椅子可以是“办公椅”，“舒适椅”，“餐桌椅”，“装饰椅”等。

在上面的图片中，我们有不同类型的椅子。因此，我们的图像分类系统应该能够解决类内变异问题。

2、比例变化

这个问题在图像分类中非常普遍。比例变化实际上是同一对象的图像具有多个大小。下图显示了同一对象__勺子的比例变化，但它们都是勺子的大小不同。

2、视点变化

我们具有视点变化，相对于如何在图像中拍摄和捕获对象，可以在多个维度上定向/旋转对象。无论我们从哪个角度捕捉椅子的图像，它仍然是椅子。

4、咬合

我们要在图像中分类的许多对象无法完全查看。很大一部分隐藏在其他对象的后面。

给出的是猫的图像，但请注意，它是如何在封面下静止的，这在我们看来是封闭的。这意味着它不是完全可见，但是我们的图像分类系统应该能够将其检测为猫。

5、照明

我们的图像分类还应该能够处理照明的变化。

这两个图像都属于同一杯，但是像素的强度级别有所不同。我们的图像分类系统应该能够处理光照的变化，因此当我们给图像分类系统提供相同物体的任何具有不同亮度（照度）的图片时，系统都应该能够为其分配相同的标签。

6、背景杂波

这意味着图像中有很多对象，对于观察者来说，找到特定对象非常困难。这些图像非常“嘈杂”。但是我们只对图像中的一个特定物体感兴趣；然而，由于所有的“噪音”，要挑出特定的物体并不容易。对于人类而言，这是一项非常艰巨的任务，因此请想象一下，对于没有图像语义理解的计算机而言，这是多么困难。

但是在某些情况下，图像中存在某些对象，但是该对象的外观与背景非常相似，因此在这些情况下，图像分类系统很难对对象进行分类。

在某些情况下，即使图像中没有物体，例如，如果我们向图像分类系统显示仅冰的图像，系统也会将其标记为熊。这是因为图像分类系统在训练过程中已经学会了图像中的图案，并且有白熊和无熊的冰的图案非常相似。因此我们的图像分类系统应该能够解决背景混乱的问题。这就是图像分类系统所面临的挑战。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~