计算机视觉-图像识别分类&线性分类器

目录

图像识别难点：跨越语义鸿沟

基于规则的分类方法

数据驱动的图像分类方法

图像表示：

分类器：

损失函数

优化方法

训练过程

          决策

2.设计

线性分类器：

损失函数

示例:

---

学习目标：

入门计算机视觉第二天 图像分类与线性分类器

---

学习内容：

1. 图像识别难点：跨越语义鸿沟
2. 基于规则的分类方法
3. 数据驱动的图像分类方法
4. 图像表示：
5. 分类器：
6. 损失函数
7. 优化方法
8. 训练过程
9.           决策

---

学习时间：

 2021年1月23日-中午

---

学习产出：

1、 笔记 21遍
2、CSDN 技术博客 1 篇

打个小广告：各大影视会员共享账号等等点击——> 链接下单

 

 

图像识别难点：跨越语义鸿沟

要点：视角，光照，遮挡，形变，环境杂波，内类形变，运动模糊...

基于规则的分类方法

是否可行？通过硬编码的方法是否可行？——>非常困难的事情

数据驱动的图像分类方法

1 ，数据集构建

2，分类器设计

图像表示：

1：像素表示

2：全局特征表示（如GIST）

3：局部特征表示（如SIFT）

3，分类器的决策

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
>交叉嫡损失
>L1损失
>L2损失

优化方法

>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
>减小算法复杂度

>使用权重正则项

>使用droput正则化

>超参数调整
>模型集成

 

          决策

 

2.设计

线性分类器：

W权值向量是在一个训练模板权值里进行计算得分最高为最似值，b为偏置。如：下图

损失函数

什么是损失函数?

损失函数搭建了模型性能与模型参数之间的桥梁指导模型参数优化。
损失函数是一个函数，用于度量给定分类器的预测值与真实值
的不一致程度，其输出通常是一个非负实值。
其输出的非负实值可以作为反馈信号来对分类器参数进行调整，
以降低当前示例对应的损失值，提升分类器的分类效果。

x表示数据集中第i张图片;
f(x,,W)为分类器对x的类别预测;y为样本i真实类别标签（整数);L;为第i个样本的损失当预测值;
L为数据集损失，它是数据集中所有样本损失的平均。

max(0,·)损失 常被称为折页损失(hingeloss)

示例:

假设有3个类别的训练样本各一张，分类器是线性分类器f(x,W) = Wx +b，其中权值W，b已知，分类器对三个样本的打分如下:

当前分类器对于鸟这张图像的损失:

其余类似计算可得 图像损失。

打个小广告：各大影视会员共享账号等等点击——> 链接下单

欢迎关注微信公众号：