2.图像分类：数据驱动方法

图像分类的基本任务就是区分图片的种类，例如将狗，猫，火车，飞机等区分开来。在这之前我们需要将图片转换成一张巨大的数字表单，然后从所有种类中，给这个表单选定一个标签。

image.png

在计算机中，这张图片就是一张巨大的数字表单。可以大致由一个3001003的三维数组表示，这里的3来自于图片红绿蓝三色道，所以整个表单中包含的数据都是出于0-255之间的。这些数字反映的是亮度以及每个单点三基色的权值。

image.png

因此，图像分类难点在于，当你想要处理这表单中数以百万计的数字，并对其进行分类，这个问题是相当复杂的，另外，相机是可以进行旋转和缩放的，并且旋转、平移、聚焦点选取等操作都会让图片样式不同，再考虑一下相机亮度的调整，这些所有的相机调整会使图片看起来完全不一样。我们对所有这些调整都具有鲁棒性。

image.png

还有一些其他挑战，例如光线问题。这里可以看见有一只很长的猫，但其实图片中有两只，另一只很难看清。一只猫光线很好，可以很容易识别，另一只光线很差，但两只猫都是可辨别的。

image.png

还有形变的问题，许多种类的东西即使会以奇怪的形态呈现在图片中，也要求能被检测出来。

image.png

还有遮蔽问题，有时我们不能看到物体的全貌，但是我们依然能辨别出来物体，即使我们只能看到所判别种类的10%的部分。

image.png

还有背景杂斑的问题，要检测的物体可能融入背景之中。

image.png

还有同类演变的问题，猫类中有420种猫。

image.png

图像分类器是什么样子的呢？我们构建一个三维空间，将x轴上的值定为种类标签值，没有任何一种显式的编程方法能实现这样的分类器。

image.png

有一种方法是，我们要找到猫的小耳朵，以此来找猫。因此我们要做的是检测并勾画出图片的边界，按照边界形状与连结方式进行分类，这会让你学到这类东西的“样本集合”，我们可以尽量找到他们的各种形态，我们看到任何像猫的耳朵，我们便认为检测到猫，或者如果我们检测到猫的某些结构特征，一定程度上，我们可以认为检测到猫了，你也可以设定一些别的规则。但是比如识别船或者人，很难想象船到底有啥明显特征，船的边界又是啥。这是不可扩展的分类方法。

image.png

我们在机器学习的框架中经常采用的数据驱动的方法效果更好。据训练集训练一模型，用这个模型对测试数据进行分类。API变成这样，写一个函数，不仅仅是输入图片然后识别她是一只猫，我们会有两个函数，一个是训练函数，这个函数接收图片和标签，然后输出模型。另一个是预测函数，接收一个模型，对图片种类，进行预测。

image.png

近邻算法分类器：

• 在训练机器的过程中，我们什么也不做，只是单纯记录所有的训练数据。

• 在图片预测的阶段，我们用一些新图片去在训练数据中寻找与新图片最为相似的图片，然后基于此来给出一个标签。

  
  
  image.png

eg：一个叫做CIFAR-10的数据集，有10个类别，50000张训练图，以及10000张测试图用来评估分类器工作的好坏。

image.png

近邻算法分类器将那些提供给我们的50000张训练图像全部得到，现在的测试是假设我们这里有10个不同的例子，这些是第一列的测试图像，我们要做的是：在训练集上寻找一个与这些图像中的每一个独立对象最相似的近邻，所以你看到的是已经分类好的图像列表，这一列表显示的是在训练数据中，和那10个类别最相似的每一种测试图像。

image.png

在第一行中我们能看到有一个卡车，但可以看到第一个识别的结果实际上是马而不是卡车，这是因为处理时图像中的蓝天被丢弃了。所以你可以看到可能工作结果不是那么的准确。
如果给出两张图片，我们该怎样对它们进行比较，
可以用曼哈顿距离法 或L1距离，该算法的内容是你有一个测试图像，你对分类感兴趣，并且认为我们需要一个单一的训练图像来比较该图像，基本上我们需要做的就是对图片中的单个像素进行比较。所有的像素值，形成绝对值的差，然后我们将差值全部相加。
假设这些图片是4*4大小的，就是说只要观察每一个像素的位置，得到同一个空间位置的像素差，将其全部相加就得到了相似性。因此得到这两幅图相距456，因此在这两幅图像中会有456处不同，如果用相同的图片这里会得到0.

image.png

近邻算法分类器:训练过程时间复杂度O(1),测试过程O(N)，这是不好的，我们想要的分类器是测试快，训练慢的。

image.png

另外一个度量叫做欧氏距离或L2距离，欧氏距离不是计算绝对值差的和，而是计算这些图像间差值的皮平方和。

image.png