cnn图像二分类 python_简单到出人意料的CNN图像分类策略

 新智元报道  

在这篇文章中，作者展示了为什么最先进的深度神经网络仍能很好地识别乱码图像，探究其中原因有助于揭示DNN使用让人意想不到的简单策略，对自然图像进行分类。 

在ICLR 2019一篇论文指出上述发现能够：

1. 解决ImageNet比许多人想象的要简单得多

2. 使我们能够构建更具解释性和透明度的图像分类pipeline

3. 解释了现代CNN中观察到的一些现象，例如对纹理的偏见以及忽略了对象部分的空间排序

复古bag-of-features模型

在深度学习出现之前，自然图像中的对象识别过程相当粗暴简单：定义一组关键视觉特征(“单词”)，识别每个视觉特征在图像中的存在频率(“包”)，然后根据这些数字对图像进行分类。 这些模型被称为“特征包”模型(BoF模型)。

举个例子，给定一个人眼和一个羽毛，我们想把图像分类为“人”和“鸟”两类。最简单的BoF模型工作流程是这样的：对于图像中的每只眼睛，它将“人类”的证据增加+1。反之亦然；对于图像中的每个羽毛，它将增加“鸟”的证据+1；无论什么类积累，图像中的大多数证据都是预测的。

这个最简单的BoF模型有一个很好的特性，是它的可解释性和透明的决策制定。我们可以准确地检查哪个图像特征携带了给定的类的证据，证据的空间整合是非常简单的(与深度神经网络中的深度非线性特征整合相比)，很容易理解模型如何做出决定。

传统的BoF模型在深度学习开始之前一直