讲人话的计算机视觉和深度学习（一）线性分类器

前言

计算机视觉是模拟人的思维对图像甚至是音频进行处理的学科，从由无数个像素组成的图片到人能够理解的解释，这个过程是计算机视觉所要解决的内容。

目前而言最有效的方法为卷积神经网络（CNN）

在imagenet数据集上，特定的数据集中，CNN的正确率已经高于人类。
因此学习计算机视觉将是入门人工智能的关键一步，本系列文章整理于B站北邮鲁鹏老师的视频，点这里前往视频，仅供学习参考使用。

一、图像分类任务介绍

1.什么是图像分类任务？

图像分类是目标检测，图像分割的基础。

2.图像分类的难点

存在着视角，光照，遮挡，小目标，背景杂波，运动模糊等等一系列问题，每一个问题都是一个研究的方向。

3.基于规则的方法

早期的计算机视觉中，采用硬编码的方式将人的思维完全用代码模拟出来，但是数据量的复杂，以及物体形态各异，难以纪录所有形态，例如猫是液体，就有无数多的形态（误）。

4.数据驱动的图像分类范式

任务步骤：

• 数据集的构建
• 分类器设计与学习（调参）重点
• 分类器决策

分类器的设计与学习流程：

1) 输入的图像要能被接受，矩阵
2) 选择分类模型—>输出一个预测值
3) 预测值与真实值比较，得到损失值
4) 通过优化算法用新的模型参数降低损失值，达到预期值即可

决策阶段：

5.常见的任务评价指标

TOP1指标：只看第一个，第一个对就对，错就错
TOP5指标：看前五个，前五个中有对的就算对


神经网络的正确率指的是TOP5指标

二、线性分类器

下文讲解采用CIFAR10数据集为案例

思维导图：

1.图像表示

图像有三种类型：2进制图像，灰度图，彩色图像

2进制即为黑白图，是二维矩阵构成，每个点为0，1

灰度图也是二维矩阵，每个像素点为（0，255）之间的数值

彩色图像为RGB三颜色通道，可以看成三个二维矩阵

假如原图500500，由三通道的R,G,B三个500500图合成
最后变成了5005003，3表示3个深度

2.分类模型的选择

线性分类器是接下来的基础，且形式简单易于理解，因此从线性分类器开始学习。

线性分类器是一种线性映射，将输入的向量映射成在每个类别上取得的分数。

W为向量，纪录每一个类别所占的权值
Bi为偏置向量
每一个类都有自己的W和Bi

决策过程：
将图像矩阵转成向量，

然后与W向量相乘加上Bi向量，最后得到一个类别*1维的矩阵，每一行表示一个图片在该类别上得到的分数，分数最高的即为决策的类别。

举例说明：

总结：
在CIFAR10中，有10个类别，图像大小维32323，那么x为向量有32323=3072维，W为权值矩阵，有类别数像素数即103072维，b为偏置向量，有类别数1维，即101维。最后的得分向量f为10*1维。

如果将W向量转化成矩阵得到：


可以将W看成每一个类别的模板。

3.损失函数的设计

4.优化算法

5.训练过程