1-3图像分类

【图像分类任务是计算机视觉的核心任务，其目的是根据图像信息中所反映的不同特征，把不同类别的图像区分开来】

【图像分类】
从已知的类别标签集合中为给定的输入图片选定一个类别标签

【难点】
1.视角不同
2.光照不同（明暗面）
3.尺度（相对大小）
4.遮挡
5.形变（猫默认四脚朝地，但是有仰着的，趴着的）
6.背景杂波
7.类内形变（椅子，碗…形状不同，样式不同）
8.运动模糊
9.类别繁多

【基于规则的分类方法】
硬编码（写代码来提取边缘进行识别）

【数据驱动的图像分类方法】
步骤 ①数据集构建（有监督/无监督）
②分类器设计与学习 （归纳规律，设计模型）
③分类器决策

用损失值来评判一个模型的好坏

图像表示：

• 像素表示
• 全局特征表示（GIST：抽出频率的特征，把图片分块，分别抽取特征，依赖全部特征，不适合遮挡）
• 局部特征表示（SIFT：特征+词袋模型，）

分类器：

• 近邻分类器
• 贝叶斯分类器
• 线性分类器
• 支撑向量机分类器
• 神经网络分类器
• 随机森林
• Adaboost

损失函数：

优化方法：

• 一阶方法
  *梯度下降
  *随即梯度下降
  *小批量随机梯度下降

• 二阶方法
  *牛顿法
  *BFGS
  *L-BFGS

训练过程：

• 训练集划分
• 数据预处理
• 数据增强（样本多）
• 欠拟合（在训练集上怎么训练都不行，模型不够） 过拟合（数据集上挺好，现实中不行）
  *减小算法复杂度
  *使用权重正则项
  *使用droput正则化
• 超参数调整（神经元的个数、神经网络的层数）
• 模型集成

【图像分类任务的评价指标】
1.正确率 accuracy
2.错误率 error rate

Top1指标：5个里边 有一个错 就是错的
Top5指标：5个里边 有一个对 就是对的