一篇看懂图像分类基础知识

 

❞

基础知识

1.具体领域划分

(1)多类别图像分类

(2)细粒度图像分类

(3)多标签图像分类

(4)弱监督与无监督图像分类

(5)零样本图像分类

2.图像分类问题的3层境界

多类别图像分类在不同物种的层次上识别，往往具有较大的类间方差，而类内则具有较小的类内误差。

细粒度图像分类具有更加相似的外观和特征，导致数据间的类内差异较大，分类难度也更高。

实例级分类可以看做是一个识别问题，比如人脸识别。

3.传统图像分类关键问题

(1)数据预处理 (2)图像特征 (3)分类模型

分为两种: 手工特征+分类器、从数据自动学习特征

4.常用的图像分类数据集

(1) MNIST数据集: 

发布于1998年，60000张图，10类，分布均匀，数据集中的”hello world”

在票据等图像中裁剪出数字，将其放在20 * 20像素的框中，并保持了长宽比率，然后放在28* 28的背景中。

(2) CIFAR10

MNIST的彩色增强版，60000张图片，大小32 * 32，10类，均匀分布，都是真实图片而不是手稿等，图中只有一个主体目标，可以有部分遮挡，但是必须可辨识。

(3) CIFAR100

更加细粒度的CIFAR10，共100类，被分成20个超类。

每小类包含600个图像，其中有500个训练图像和100个测试图像。每个图像都带有一个“精细”标签(它所属的类)和一个粗糙的标签(它所属的超类)

(4) PASCAL

来源于2005-2012的PASCAL Visual Object Classes(VOC项目)，20类，来源于图片社交网站flickr，总共9963张图，24640个标注目标。

2005年主要用于目标检测，从2007年开始引进了图像分割的标注和人体结构布局的标注，2010年开始引进了行为分类标注。

(5)ImageNet数据集

包含21841个类别，14197122张图片，百万标注框

5 评估指标

(1)正负样本

计标签为正样本，分类为正样本的数目为True Positive，简称TP，标签为正样本，分类为负样本的数目为「False Negative」，简称FN，标签为负样本，分类为正样本的数目为「False Positive」，简称FP，标签为负样本，分类为负样本的数目为「True Negative」，简称TN。

(2)精确率、召回率、F1值

精度(查准率): 被判定为正样本的测试样本中，真正的正样本所占的比例

召回率(查全率): 被判定为正样本的正样本占全部正样本的比例

F1-score是综合考虑了精度与召回率，其值越大模型越好。

(3)PR曲线

精度与召回率是一对相互矛盾的指标，召回率增加，精度下降，曲线与坐标值面积越大，性能越好，对正负样本不均衡敏感。

(4)ROC曲线与AUC

横坐标(假阳率)FPR=FP/(FR+TN) 正类中实际负实例占所有负实例的比例。

纵坐标(正阳率) TPR=TP/(TP+FN) 正类中实际正实例占所有正实例的比例。

正负样本的分布变化，ROC曲线保持不变，对正负样本不均衡问题不敏感。

AUC(Area Under Curve): ROC曲线下的面积，表示随机挑选一个正样本以及一个负样本，分类器会对正样本给出的预测值高于负样本的概率。

(5)混淆矩阵

多矩阵分类模型各个类别之间的分类情况。

对于k分类问题，混淆矩阵为k*k的矩阵，元素Cij表示第i类样本被分类器判定为第j类的数量。

主对角线的元素之和为正确分类的样本数，其他位置元素之和为错误分类的样本数。对角线之和值越大，正确率越高。

混淆矩阵可以很清晰的反映出各类别之间的错分概率，越好的分类器对角线上的值更大。

(6)0-1损失

只看分类的对错，当标签与与类别相等时，loss为0，否则为1。

这个是真实的优化目标，但是无法求导和优化，只有理论意义。

(7)熵与交叉熵(cross entropy)

熵表示热力学系统的无序程序，在信息学中用于表示信息多少，不确定性越大，概率越低，则信息越多，熵越高。

熵是概率的单调递减的函数。

(8)KL散度

用于估计两个分布p和q的相似性

如果p是一个已知的分布(标签)，则-l(p,p)是一个常数，此时KL散度与交叉熵l(p,q)只有一个常数的差异。

KL散度的特性是大于等于0，当且仅当两个分布完全相同时等于0。

 

 

审核编辑 ：李倩