图像分类

图像分类比较好理解，就是要区分图像所属的类别，每个图像都是有所属标签的，希望的效果就是给一幅图像，能得出这幅 图像是什么类别。这个比较粗糙，因为一幅图像往往包含了很多信息，但是这里一般是指主体是什么类别。

 

经典网络：

AlexNet：

VGG：在探索将所有的层数加深

GoogLeNet：变换VGG思路，思路很好，各种各样的情况都考虑在内

ResNet：

 

目前图像分类系统还存在哪些难点？（参考 微信公众号“小白学视觉” 《图像分类的主要难点》文章）

图像分类的挑战：

1.类内变化

2.比例变化

3.视点变化

4.咬合

5.照明

6.背景杂波

1、类内变异

类内差异是同一类图像之间的差异。类内变异的示例是在我们的数据集中具有多种类型的椅子。椅子可以是“办公椅”，“舒适椅”，“餐桌椅”，“装饰椅”等。

在上面的图片中，我们有不同类型的椅子。因此，我们的图像分类系统应该能够解决类内变异问题。

2、比例变化

这个问题在图像分类中非常普遍。比例变化实际上是同一对象的图像具有多个大小。下图显示了同一对象__勺子的比例变化，但它们都是勺子的大小不同。

3、视点变化

我们具有视点变化，相对于如何在图像中拍摄和捕获对象，可以在多个维度上定向/旋转对象。无论我们从哪个角度捕捉椅子的图像，它仍然是椅子。

4、咬合

我们要在图像中分类的许多对象无法完全查看。很大一部分隐藏在其他对象的后面。

给出的是猫的图像，但请注意，它是如何在封面下静止的，这在我们看来是封闭的。这意味着它不是完全可见，但是我们的图像分类系统应该能够将其检测为猫。

5、照明

我们的图像分类还应该能够处理照明的变化。

这两个图像都属于同一杯，但是像素的强度级别有所不同。我们的图像分类系统应该能够处理光照的变化，因此当我们给图像分类系统提供相同物体的任何具有不同亮度（照度）的图片时，系统都应该能够为其分配相同的标签。

6、背景杂波

这意味着图像中有很多对象，对于观察者来说，找到特定对象非常困难。这些图像非常“嘈杂”。但是我们只对图像中的一个特定物体感兴趣；然而，由于所有的“噪音”，要挑出特定的物体并不容易。对于人类而言，这是一项非常艰巨的任务，因此请想象一下，对于没有图像语义理解的计算机而言，这是多么困难。

但是在某些情况下，图像中存在某些对象，但是该对象的外观与背景非常相似，因此在这些情况下，图像分类系统很难对对象进行分类。

在某些情况下，即使图像中没有物体，例如，如果我们向图像分类系统显示仅冰的图像，系统也会将其标记为熊。这是因为图像分类系统在训练过程中

已经学会了图像中的图案，并且有白熊和无熊的冰的图案非常相似。因此我们的图像分类系统应该能够解决背景混乱的问题。这就是图像分类系统所面临的挑战。