• • • 1、圖像分類與KNN
      • 1.1 圖像分類
      • 1.1.2 圖像識別的難點：類內形變+類間相似**
      • 1.1.3 圖像識別的途徑
      • 1.1.4 機器學習解決圖像分類的流程
      • 1.2 最近鄰分類器（Nearest Neighbor Classifier）
      • 1.2.1 CIFAR-10
      • 1.2.2 基于最近鄰的簡單圖像類別判定
      • 1.3 k近鄰分類器
      • 1.3.1 交叉驗證與參數選擇
      • 1.3.2 kNN算法的優缺點

1、圖像分類與KNN

1.1 圖像分類

對于一張輸入的圖像，判定其屬于哪個類別，圖像分類是計算機視覺的核心問題之一，且是很多高層視覺任務的基礎。

1.1.2 圖像識別的難點：類內形變+類間相似**

• 視角不同，每個事物旋轉或者側視最后的構圖都完全不同
• 尺寸大小不統一，相同內容的圖片也可大可小
• 變形，很多東西處于特殊的情形下，會有特殊的擺放和形狀
• 光影等干擾/幻象
• 背景干擾
• 同類內的差異(比如椅子有靠椅/吧椅/餐椅/躺椅…)

1.1.3 圖像識別的途徑

就是對于每個類別，我們都找一定量的圖片數據，『喂』給計算機，讓它自己去『學習和總結』每一類的圖片的特點。

1.1.4 機器學習解決圖像分類的流程

簡單來說，分為三步：

• 輸入：我們的給定K個類別的N張圖片，作為計算機學習的訓練集
• 學習：讓計算機逐張圖片地『觀察』和『學習』
• 評估：就像我們上學學了東西要考試檢測一樣，我們也得考考計算機學得如何，于是我們給定一些計算機不知道類別的圖片讓它判別，然后再比對我們已知的正確答案。

1.2 最近鄰分類器（Nearest Neighbor Classifier）

只是為了從基礎推進而已，和卷積網絡無關。

1.2.1 CIFAR-10

CIFAR-10是一個非常常用的圖像分類數據集。數據集包含60000張32*32像素的小圖片，每張圖片都有一個類別標注(總共有10類)，分成了50000張的訓練集和10000張的測試集。如下是一些圖片示例：

左圖是是個類別和對應的圖像示例，右圖是給定一張圖像之后，根據像素距離計算出來的最近的10張圖像。

1.2.2 基于最近鄰的簡單圖像類別判定

最近鄰的思想：

根據輸入圖像的像素值，計算其和訓練集中的圖像的距離，找到最近的圖像的類別作為預測的類別即可。

最近鄰的缺點：

用于圖像分類時效果很差。

距離度量方式：

L1距離，L2距離，余弦距離等等（scipy）

1.3 k近鄰分類器

將最近鄰擴展為最近的N個臨近點，然后統計出現類別最多的那一類作為預測的類別。

1.3.1 交叉驗證與參數選擇

哪些因素會影響KNN最后的識別結果：

• 距離度量方式
• k值的選取

當數據總量不大的時候，可以選擇k折交叉驗證，也就是將原始數據分為k份，輪流使用其中k-1份作為訓練數據，剩下的1份作為交叉驗證數據，我們可以得到k個準確率，取均值作為預測準確率。

1.3.2 kNN算法的優缺點

優點：

思路簡單，不需訓練

缺點：

• 計算準確率過程很耗時，因為要和全部訓練集中的圖像都對比一遍；
• 分類器必須記住全部的訓練數據，因為要遍歷找近鄰，而任何實際的圖像訓練集上，數據量很可能非常大，那么一次性載入內存，不管是對速度還是對硬件的要求，都是一個極大的挑戰。

重要的是：我們不是很在乎訓練時間，訓練時間長的話，只有后續識別的時候速度快，效果好即可，但是kNN測試過程很漫長，后續的深度神經網絡就是為了解決該問題，其訓練時間長，但是識別過程很快。

這里寫鏈接內容

總結

以上是生活随笔為你收集整理的深度学习与计算机视觉（一）图像分类与KNN的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。