计算机视觉中的深度学习2: 图片分类

Posted 2022-12-08 SuPhoebe

计算机视觉中的深度学习2: 图片分类

Slides：百度云 提取码: gs3n

计算机与人眼的区别

对于一张灰度图片，计算机能看到的是像素大小的0~255的灰度值；对于RGB图片，则是一张像素大小的3通道矩阵，即800x600x3。

计算机视觉的挑战

1. 视角变化的挑战
   1. 视角的变化带来的像素的变化是非常巨大的。
   2. 在不同的角度拍摄一只猫，人类很容易分辨这是同一种猫，而像素的变化却非常巨大，只有设计出了更加完备的算法才能让计算机程序更稳定地运行。
2. 图片交叉的挑战
   1. 多只猫会重叠在一起。
3. 粒度更细的分类
   1. 我们不仅仅需要分辨这是猫，我们还要分辨这是哪一个品种的猫。
4. 杂乱的背景的影响
5. 光线的变化
6. 形状的变化

图片分类的作用

1. 用在别的计算机视觉应用中
   1. Object detection
   2. Image captioning

图片分类的算法

1. 传统计算机视觉算法
   1. 检测边缘，检测夹角等等
   2. 缺点：不够通用，当我们输入了一个非常复杂的算法能够识别猫了，同样的算法没法解决一个识别狗的问题。
2. 机器学习方法
   1. 依赖数据源和分类器来进行识别
   2. 几个著名的数据集：
      1. MNIST：手写数字识别，10类
      2. CIFAR10：更大的RGB数据集，10类
      3. CIFAR100：同上，但有100类
      4. ImageNet：1000类，更大的数据集；广泛用于论文中
      5. MIT Places： 365类
   3. 训练集中用于训练的像素个数
      

Nearest Neighbor

1. 计算L1距离
   
2. 选出距离需要预测的图片最近的那个图片的类型

训练时间O(1)，预测时间O(N)。

缺点：

1. 预测的速度太慢了。我们希望能够花更多时间在训练上，而不是预测上。
2. 选出的类是总体来看长得非常相似的图片，而不是相似的图片上的物体。

K Nearest Neighbor

第一种算法是k=1的情况，在outlier上有着更糟糕的表现，因为一旦训练集有一些outlier，将会极大地影响边缘处的表现

当我们使用k=3时，我们有了更加平滑的分界线，也有了更加健壮的处理outlier的情况。

使用不同的距离计算方式

1. L1距离
2. L2距离（欧拉距离）
3. 对于特殊的数据集，采用特殊的距离计算方式，可能会比传统距离计算方式有更优秀的结果。
   1. 例如，用tf-idf similarity来比较研究论文使用

示例网站

超参数

不能通过训练来学习的得到的参数，需要借用人类的知识去设置。（但是不排除通过别的神经网络来训练获得另一个神经网络的超参数。）

网络上所谓的调参工程师，其实也就是通过不断地训练，验证来获得最好的超参数，最终在测试集上面进行测试。

另类的Nearest Neighbor

1. 结合ConvNet
   1. 通过ConvNet提取出图片的特征，比如，一个数组表示不同的特征值
   2. 再对这个特征值数组采用Nearest Neighbor算法，效果非常好

总结

• 在图像分类中，我们从图像和标签的训练集开始，并且必须在测试集上预测标签。
• 由于人类视觉和计算机视觉上的差距，图像分类具有挑战性：我们需要对遮挡，变形，光照，类内变异等保持不变。
• 图像分类是其他视觉任务的基础。
• K最近邻居分类器基于最近的训练示例预测标签距离度量和K是超参数。使用验证集选择超参数；最后只在测试集上运行一次！