1、数据驱动的图像分类方法

1、数据驱动的图像分类方法

目标：给一张图片贴一个标签。当然可用的标签是固定的，比如｛君子，小人｝，或者｛猫，狗，兔子｝，等等，随便给你一张图片，需要从这些标签中选一个用来表示这张图。这是计算机视觉里的核心问题。虽然很朴素，但是应用却相当广泛。而且，很多其他类似的计算机视觉任务，比如目标检测，图片分割，都可以简化为图像分类问题。

举例：下面这张图是什么动物呢？某一个图像分类模型给出了属于 {cat, dog, hat, mug}这4个类型的可能性。其中属于cat的可能性最大，为82%，所以最终我们给这图标记为cat。在计算机中，图像表现为一个3维数列。下面这张图的宽为248像素，高为400像素，有三个颜色通道，即红、绿、蓝，简称RGB。因此这张图片实际上就是由248 x 400 x 3个数字组成的，297,600个数字。每个数字都是0(黑)到255(白)间的整数。我们的任务就是将这一堆数字转换为一个标签，比如“cat”。

困难：对于人类来说，识别一个视觉概念(比如 猫)太简单了。但是要设计一个算法，让计算机去做这件事，还是很有很多挑战的：

• 视角变化：同一个物件，从不同的角度拍照，是有差别的
• 尺寸变化：事物本身的尺度有大有小，比如高个子姚明，矮个子马云
• 变形：现实中对象的现状变化很大，不是那么整整齐齐的
• 遮挡：我们感兴趣的对象可能被挡住了，只露出一小部分
• 光线强度：光线的强弱对像素的影响很大
• 背景：需要识别的对象可能与周围环境融为一体，很难识别
• 类内变异. 同一类型的对象，形态上有很多的变种。比如椅子就有很多的形状

一个好的图像分类模型要能够不受这些变化的干扰，正确地识别所属分类。

数据驱动方法：那要怎样写一个算法去对图像进行分类呢？写一个从一堆图片中识别猫的算法，不像写一个排序算法那样直接写代码推理出来。我们使用数据驱动的方式：把很多标注好分类的数据传给计算机，然后写一个算法去检视这些数据，学习不同类型数据的视觉表征。这样的数据我们称之为训练数据集。如下图所示就是一个训练数据集：

一个用于计算机视觉分类的样例数据集。实际应用中可能有上千个分类，每个分类都可能有数百万张图片

图像分类流程：综上所述，图像分类的任务就是给一堆代表图片的像素数据，贴一个标签。创建一个图像识别模型的一般流程如下所示：

• 输入: 输入N张图片，每张图片都做好了标签(K个分类中的一个)，称之为训练数据
• 学习: 用训练数据，学习每个分类的样子。这个过程称为训练一个分类器，或者学习一个模型
• 评估: 最后，让分类器去识别他没有见过的新的图片。将他识别的结果与实际的标签做对比，我们希望正确率越高越好

下一篇文章 最近邻分类器

欲了解更多底层信息，请咨询 青星大学