CV图像处理

计算机视觉与深度学习

1. 图像分类任务介绍&线性分类器（上）

1.1 什么是图像分类任务，它有哪些应用场合？

图像分类任务是计算机视觉中的核心任务，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。

• **应用场合：**物种识别。

1.2 图像分类任务有哪些难点？

• 跨越“语义鸿沟”建立像素到语义的映射；

• 视觉；

• 光照；

• 尺度；

• 遮挡；

• 形变；

• 背景杂波；

• 类内形变；

• 运动模糊；

• 类别繁多；

1.3 基于规则的方法是否可行？

通过硬编码的方法识别猫或其他类：

def classify_image(image):
    # Do something magical here
    return class_label

已经做过的尝试：

• 边缘检测 -->> 角点

  ​ 通过硬编码的方法识别猫或其他类，是一件很困难的事。

1.4 什么是数据驱动的图像分类范式？

1. 数据集构建；
2. 分类器设计与学习；
3. 分类器决策。
   
   

• 图像表示：像素表示；全局特征表示(如GIST)；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：**0-1损失；多类支撑向量机损失；交叉熵损失；L1损失；L2损失；…

• 优化算法：

  • 一阶方法：
    • 梯度下降；随机梯度下降；小批量随机梯度下降。
  • 二阶方法：
    • 牛顿法；BFGS；L-BFGS。

• 训练过程：

  • 数据集划分；
  • 数据预处理；
  • 数据增强；
  • 欠拟合与过拟合；
    • 减少算法复杂度；使用权重正则项；使用droput正则化。
  • 超参数调整；
  • 模型集成。

1.5 常用的分类任务评价指标是什么？

• 正确率(accuracy) = 分对的样本数 / 全部样本数；

• 错误率(error rate) = 1 - 正确率。

• TOP1指标与Top5指标：级别有所差异。

2. 线性分类器

2.1 获取数据集

**CIFAR10 数据集：**分类的前提是分类对象。

2.2 分类器设计

2.3 图像类型

**Binary(二进制图像)：**非白即黑；

**Gray Scale(灰度图像)：**每个像素位于0~255之间。

**Color(彩色图像)：**三个字节表示(RGB三个域，每个域位于0~255之间)

2.4 图像表示

大多数分类算法都要求输入向量！

​ 将图像转换成向量的方法有很多，这里我们用一种最简单的方法，直接将图像矩阵转换为向量。

2.5 线性分类器？

2.5.1 选择理由

• 形式简单、易于理解；
• 通过层级结构(神经网络)或者高维映射(支撑向量机)可以形成功能强大的非线性模型。

2.5.2 定义

​ 线性分类器是一种线性映射，将输入的图像特征映射为类别分数。

$x$代表输入的$d$维图像向量，$c$为类别个数。

f i ( x , w i ) = w i T x + b i , i = 1 , .