2.1.1 圖像分類

• 任務目的：對輸入的圖像賦予一個標簽，這個標簽在指定類別集合中。

下面這個例子中，圖像分類模型拍攝一張圖像并將概率分配給4個標簽{cat，dog，hat，mug}。如圖所示，請記住，對于計算機而言，圖像表示為一個大型3維數字數組。在此示例中，貓圖像的寬度為248像素，高度為400像素，并具有紅色，綠色，藍色（簡稱RGB）三個顏色通道。因此，圖像由248 x 400 x 3個數字或總共297,600個數字組成。每個數字都是一個整數，范圍是0（黑色）到255（白色）。我們的任務是將這一百萬分之一的數字變成一個單獨的標簽，例如“ cat”。

圖像分類的任務是預測給定圖像的單個標簽（或標簽上的分布，如圖所示，以表示我們的可信度）。圖像是0到255之間的三維整數數組，大小為寬x高x 3。3表示紅色、綠色、藍色三個顏色通道。

2.1.1.1 挑戰：

由于識別視覺概念的任務對人類來說相對來說是微不足道的，因此從計算機視覺算法的角度考慮所涉及的挑戰存在并且具有價值的。圖像的原始表示為亮度值的三維數組：

• Viewpoint variation：單個物體從不同的角度照出來的圖像

• Scale variation：展現出的圖像大小會變化

• Deformation：許多物體的邊緣可以形成不同的形狀形式

• Occlusion：關注的某個物體會被遮擋，只有一小部分會被顯示出來

• Illumination conditions: 光照對像素級的影響很大

• Background clutter: 感興趣的物體與環境融合，很難進行區分

• Intra-class variation: 物體的類別非常廣泛相近，例如椅子，這些對象有許多不同的類型，每個都有自己的外觀

所以一個好的圖像分類模型必須解決上述問題，對各種變化的交叉存在具有敏感性。

2.1.2 近鄰分類器

首先我們將介紹一個最近鄰分類的方法，雖然這個方法沒有用到深度學習的方法，并且也很少在實踐中使用。但是能夠給我們提供一個去解決圖像分類問題的基礎思路。

• 數據驅動方式

如何編寫一個算法進行將一個張圖片分類到具體一個類別，會給計算機提供每個類別的很多樣本，然后使用算法去學習這些樣本學習每個類別的視覺特點。這樣的方式依賴于大量的指定類別的訓練數據。如下所示

2.1.2.1 CIFAR-10例子介紹

圖像分類數據集示例：CIFAR-10，一個流行的圖像分類數據集。這個數據集由60000個32像素高和寬組成的小圖像組成。每個圖像都被標記為10個類之一（例如“飛機、汽車、鳥等”）。這60000個圖像被分割成50000個圖像的訓練集和10000個圖像的測試集。在下圖中，您可以看到10個類中每個類的10個隨機示例圖像：

上面圖中就是數據集的類別和圖像的示例，右邊展示了一部分測試圖像以及最相近的在訓練集中前10張圖片集合。

2.1.2.2 算法思路

假設現在我們得到了cifar-10訓練集，它包含50000個圖像（每個標簽有5000個圖像），我們希望標記預測剩下的10000個圖像。

• 最近鄰分類器將得到一個測試圖像，將其與每個訓練圖像進行比較，并預測其標簽，為最近的訓練圖像的標簽。

在上面和右邊的圖像中，您可以看到10個示例測試圖像的這種過程的示例結果。注意，在大約10個示例中，只有3個檢索到同一類的圖像，而在其他7個示例中則不是這樣。例如，在第8排，離馬頭最近的訓練圖像是一輛紅色的汽車，大概是由于強烈的黑色背景。因此，在這種情況下，馬的圖像會被錯誤地標記為汽車。

如何比較圖像兩張圖片

每個圖像都是32 x 32 x 3的像素。最簡單的方法之一是逐像素比較圖像，并將所有差異相加。

如果兩個圖像一樣，結果為0，如果兩個圖像相差很大，結果會很大

• 訓練數據集與測試數據L1距離代碼實現
  • Xtr為所有訓練數據，

distances = np.sum(np.abs(Xtrain - Xtest[i,:]), axis = 1)

設定輸入的圖片和標簽形狀為

Xtrain_rows = Xtrain.reshape(Xtrain.shape[0], 32 * 32 * 3) # Xtr_rows becomes 50000 x 3072 Xtest_rows = Xtest.reshape(Xtest.shape[0], 32 * 32 * 3) # Xte_rows becomes 10000 x 3072

完整代碼實現(Numpy)

import numpy as npclass NearestNeighbor(object):def __init__(self):passdef train(self, X, y):"""X：N x D形狀，N為樣本數，D為像素數量Y：1維，大小為N"""# 所有最近鄰需要的訓練數據集self.Xtrain = Xself.ytrain = ydef predict(self, Xtest):"""對輸入的X若干個測試圖片，每個進行預測"""num_test = Xtest.shape[0]# 確保輸出類型一樣Ypred = np.zeros(num_test, dtype = self.ytrain.dtype)# 循環所有測試數據for i in xrange(num_test):# 使用L1距離找到i最近的訓練圖片distances = np.sum(np.abs(self.Xtrain - Xtest[i,:]), axis = 1)min_index = np.argmin(distances)# 獲取最近的距離的圖像下標Ypred[i] = self.ytrain[min_index]# 預測標簽（獲取對應訓練那張圖片的目標標簽）return Ypred

結果

使用上述方法，我們在CIFAR-10的測試機上面只能達到38.6%?的準確率，距離目前人類的測試結果（大概）94%的準確率，還有后面著重介紹的state of the art（SOTA，前沿的）的卷積神經網絡取得的效果95%

距離選擇

距離有很多種方式，在計算兩個向量的距離時候，也可以選擇L2，歐式距離。?d_2 (I_1, I_2) = \sqrt{\sum_{p} \left( I^p_1 - I^p_2 \right)^2}d?2??(I?1??,I?2??)=√??p?∑??(I?1?p???I?2?p??)?2?????只要去修改其中的距離計算即可

distances = np.sqrt(np.sum(np.square(Xtrain - Xtest[i,:]), axis = 1))

但是在實際的最近鄰應用程序中，我們可以省略平方根操作，因為平方根是單調函數。縮放距離的絕對大小，因此有或沒有順序的最近鄰是相同的。如果您使用L2距離在cifar-10上運行最近鄰分類器，將獲得35.4%的精度（略低于L1距離結果）。

2.1.3 近鄰分類器的優缺點

• 優點是實現和理解起來非常簡單。此外，分類器不需要時間進行訓練，因為所需的只是存儲并可能索引訓練數據。

• 缺點是我們在測試時候的計算成本，因為對測試示例進行分類需要與每個單獨的訓練示例進行比較。這是向后的，因為在實踐中，我們通常更關心測試時間的效率，而不是訓練時間的效率。

  • 利用L1和L2進行距離測量不適合描述圖片的相似度，不適合描述圖片在視覺感知上的差異
  • 測試太慢
  • 維數災難

注：最近鄰分類器的計算復雜度是非常值得研究的領域，現有的幾種近似最近鄰（ann）算法和庫可以加速數據集中的最近鄰查找。這些算法允許在檢索過程中權衡最近鄰檢索的正確性和其空間/時間復雜性，并且通常依賴于涉及構建kdtree或運行k-means算法的預處理/索引階段。在某些情況下（尤其是在數據低維的情況下），最近鄰分類器有時可能是一個不錯的選擇，但它很少適用于實際的圖像分類設置。一個問題是，圖像是高維對象，高維空間上的距離可能非常反直觀。

• 存在問題：

基于高維數據（尤其是圖像）的像素距離可能非常不直觀。上述原始圖像（左）和它旁邊的其他三個圖像，根據L2像素距離，三個變化后的圖像都離原始圖像同樣遠。顯然，像素級的距離根本不符合圖像的語義相似性。

2.1.4 總結

• 圖像分類任務引入以及挑戰
• 最近鄰分類器
• L1與L2距離在圖像距離的計算和存在的問題

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的图像分类_01图像分类简介：挑战+近邻分类器+CIFAR-10数据集概述的全部內容，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。