cs231n 第二章图像分类

最新推荐文章于 2024-11-01 13:10:19 发布

CV=ctrl+v

最新推荐文章于 2024-11-01 13:10:19 发布

阅读量311

点赞数

文章标签：机器学习计算机视觉人工智能

本文链接：https://blog.csdn.net/qq_43608985/article/details/107105833

版权

图像分类

图像分类的任务，就是对于一个给定的图像，预测它属于的那个分类标签（或者给出属于一系列不同标签的可能性）。图像是3维数组，数组元素是取值范围从0到255的整数。数组的尺寸是宽度x高度x3，其中这个3代表的是红、绿和蓝3个颜色通道。在这里插入图片描述
以该图为例，计算机看到的是像素矩阵

且有可能因为某些因素改变（包括遮挡，光照等等）而导致整个矩阵大不相同，也就是说代表同一类别的图片，从像素矩阵上来看是不同的。这是图像分类的挑战

那么如何分类，我们不可能在写算法时指明要分类的物体是什么样的，有哪些特征，这很困难。所以一般通过给计算机大量的数据集，让它们自己去学习每个类具备的特征，这就是数据驱动方式

那么在数据驱动方式下，图像分类过程可以分为以下三步：在这里插入图片描述

输入：输入是包含N个图像的集合，每个图像的标签是K种分类标签中的一种。这个集合称为训练集。
学习：这一步的任务是使用训练集来学习每个类到底长什么样。一般该步骤叫做训练分类器或者学习一个模型。
评价：让分类器来预测它未曾见过的图像的分类标签，并以此来评价分类器的质量。我们会把分类器预测的标签和图像真正的分类标签对比。毫无疑问，分类器预测的分类标签和图像真正的分类标签如果一致，那就是好事，这样的情况越多越好。

分类器

上述步骤中第二步，我们可以看作是机器的学习过程，或者说训练过程，最终的目的是得到一个分类器或者说模型，通过这个分类器可以对新输入的图片进行分类。

分类器有很多种，cs231n的第二章中主要介绍了Nearest Neighbor分类器和它的“升级版”k-Nearest Neighbor分类器，后面还会讲到线性分类器，这里先不提。

1.Nearest Neighbor分类器
它的原理就是通过将待测图片与训练集中的每一个图片进行比较，找到最相似的图片然后将测试图片贴上这个最相似图片的标签

那么如何衡量两个图片的相似程度？通过计算它们之间的距离，具体有两种：
L1距离（曼哈顿距离）：单纯比较每个点的像素差取绝对值，然后将这些差值求和，得到的就是L1距离
在这里插入图片描述
L2距离（欧式距离）：将像素差值平方后求和再开平方，得到的就是L2距离。

选择哪个距离作为衡量标准也是有讲究的，具体的要视你的应用场景而定，L1是依赖与坐标系统的，也就是说一旦改变坐标系统，L1距离也会发生变化，而L2是不受此影响。所以如果你输入的特征向量的值是有特殊含义的，那么L1显然更合适，若只是空间中的通用向量，而你不知道其中的不同元素实际上代表的含义，那么L2可能更自然一些（这句话是课程视频中Justin Johnson说的，我不是很理解，什么叫有特殊含义，这和坐标轴的改变有什么样的关系）

2.k-Nearest Neighbor分类器
如果只用最相似的1张图片的标签来作为测试图像的标签，会怎么样呢？课件中给出了一幅图在这里插入图片描述
可以看到这样的分类效果是不太好的，原因在于每个颜色的边界很粗糙，而且绿色部分中间单独划出一块黄色也显得很突兀。

其实大可不必通过找到最相似的那一个图片来贴类标签，而是可以找到k个最相似的图片，然后由它们中的多数标签来决定测试图片属于哪一类，这称为投票。这就避免出现如图所示的情况了在这里插入图片描述
上图最直观的感受就是k越大，边界（决策边界）越平滑，精确程度相对降低。当k取1时，实际上就是最邻近分类器。

超参数（hyperparameters）

上面讲到的距离选择L1和L2，K邻近分类器的K，都属于超参数。理论上它们不是通过算法得来的，而是根据经验提前设置好的。

在这里插入图片描述
那么如何去确定超参？
一般是通过验证集调优，也就是在验证集上面不断尝试，找到表现最好的那个参数保留下来。

当我们拿到一份数据集，通常是分为训练集和测试集，顾名思义，训练集用来做训练，而测试集是最后用来测试评估我们的算法的。
在这个基础上，我们还需将训练集分为训练集和验证集，验证集是用来超参数调优。因为建议是测试集尽量不要动，它是留作最后来测试评估算法的，如果过早用测试集来调优，可能会导致在测试集上表现很好，而实际应用中表现很差，也就是对测试集过拟合。
在这里插入图片描述
如果数据集比较小，可以使用交叉验证的方式。将一份训练集分为几份（几折），将一份作为一个验证集，在其他四份数据集上进行训练，依次循环。

Nearest Neighbor分类器的优劣

首先可以知道优点是简单，执行起来很快，但这通常指训练起来快，而测试的时候是很慢的（因为要比较每一个图片），这不是我们希望的。实际需求通常希望训练过程多花时间，而测试过程尽可能快。

其次，在某些特定场合中，最邻近分类器不失为一种好方法。但通常我们要分类的图片是很复杂的（高维数据），那么仅比较像素的不同是没法很好的完成分类。下图所示，右边三张图与左一的L2距离都相等，但从视觉感官上它们是存在差异的(尽管这里都可以看作是人，但通常要比较的图片数量巨大，不能保证像素差相同的都是同一类)

在这里插入图片描述

线性分类器

我们已经知道Nearest Neighbor最邻近分类器几乎不做训练，而测试时需要比对测试图片与所有训练集图片，这在实际应用中是非常不好的。所以要采用更好的办法来解决图像分类问题，这里讲到了线性分类器，它分为评分函数和损失函数。

这节先讲了评分函数
在这里插入图片描述
在CIFAR-10中，图片被分为10个不同的类别（狗，猫，汽车等）。所以这里最终得到10个类别的分数。

在这里插入图片描述

可以看到W对于分数的影响较大，它是从训练集中得来的，通常称为权重，它的每一行实际上就是一个分类器。所以我们要在训练中得到比较好的W在测试时才能更准确。可以看到这里的W就很不好，因为它使这张猫的图片在狗的分类上得分更高。关于如何衡量W的好坏，这是损失函数的任务，先不提。

所以一个线性分类器到底在做什么？
在这里插入图片描述
1.看作模板匹配：
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（有时候也叫作原型）。一张图像对应不同分类的得分，是通过使用内积（也叫点积）来比较图像和模板，然后找到和哪个模板最相似。从这个角度来看，线性分类器就是在利用学习到的模板，针对图像做模板匹配。从另一个角度来看，可以认为还是在高效地使用k-NN，不同的是我们没有使用所有的训练集的图像来比较，而是每个类别只用了一张图片（这张图片是我们学习到的，而不是训练集中的某一张），而且我们会使用（负）内积来计算向量间的距离，而不是使用L1或者L2距离。

2.将图像看做高维度的点：
既然图像被伸展成为了一个高维度的列向量，那么我们可以把图像看做这个高维度空间中的一个点（即每张图像是3072维空间中的一个点）。整个数据集就是一个点的集合，每个点都带有1个分类标签。

既然定义每个分类类别的分值是权重和图像的矩阵乘，那么每个分类类别的分数就是这个空间中的一个线性函数的函数值。我们没办法可视化3072维空间中的线性函数，但假设把这些维度挤压到二维，那么就可以看看这些分类器在做什么了：

在这里插入图片描述
图像空间的示意图。其中每个图像是一个点，有3个分类器。以红色的汽车分类器为例，红线表示空间中汽车分类分数为0的点的集合，红色的箭头表示分值上升的方向。所有红线右边的点的分数值均为正，且线性升高。红线左边的点分值为负，且线性降低。从上面可以看到，W的每一行都是一个分类类别的分类器。对于这些数字的几何解释是：如果改变其中一行的数字，会看见分类器在空间中对应的直线开始向着不同方向旋转。而偏差b，则允许分类器对应的直线平移。