斯坦福计算机视觉公开课个人笔记——图像分类

目录

序言：

第一次课（introduction to convolution）：

第二次课（Image Classification）：

       图像的构成：

       为什么要进行图像分类：

       如何进行图像分类

       线性分类器的引入：

序言：

        目前自己是本二的一名学生，自己想完成涉及计算机视觉领域中关于行为识别的一个项目制作，自己的学习方式经历了以下几个阶段：

        1、ｂ站中直接直接搜索相关问题的答案：

                跟着博主进行学习。例如去年十二月份开始，考虑到需要使用到目标检测中的ssd算法，便使用博主给的代码，可是这样的得到的只是一个结果，最初的时候连代码运行出来显示的人形框是怎么得到的都不知道，天真地以为模型自己就可以生成这个框，到后来慢慢才知道，通过训练模型能够返回预测到的类的标签、预测框的坐标，然后画出图矩形框来框出人。发现直接在ｂ站搜索答案并不能解决我的问题，ｂ站的博主多是为了解决某一个特定的问题比如yolov5+测距，代码会直接根据这个任务来，其中的过程是不知道，自己想要修改也能难，包括一些参数，想要优化代码也无从下手，便想着从源头开始学习。

        ２、看论文，尝试使用论文的源码：

                经过了第一个阶段，自己开始尝试在知网、谷歌学术搜索有没有与我想解决的问题类似的。于是便开始了找论文找技术。目前确定了需要使用的技术是时空行为检测，正在学习YOWO v2并且尝试能否改进。想要改进就需要知道神经网络的底层原理，并且要有代码编写能力，于是开始学习斯坦福的计算机视觉公开课。

        以下类内容是自己的理解，希望看到的同学，捡有用的就行。也希望有大佬能批评指证。

第一次课（introduction to convolution）：

        主体上介绍了计算机视觉的产生已经其在相关领域的应用。例如：目标检测与测距相结合可以应用到汽车制造领域，实现自动避障的功能。

第二次课（Image Classification）：

        图像的构成：

                图像的是由h × w × n的矩阵构成的，这个n就是常说的通道，彩色图的n为３，其通过三三原色进行组合形成不同的颜色，灰度图的n为１，表示该图像每一个像素点仅存放一个值。

        为什么要进行图像分类：

                这是计算机视觉领域的一个基础性的问题，比如人脸识别、目标检测的基础性任务都是需要先进行图像的分类。

        如何进行图像分类

                图像分类对于我们人类而言，一堆图片中有猫、狗、飞机等类别的图片，我们抽出其中一张图片，分辨出它属于哪一种标签。计算机执行图像分类任务，以最近邻算法为例，可以这样描述：十张带有标签的图像（训练集），现在从验证集中得到一张新的照片，接下来便让其与训练集中的图像进行比对，比对的方式有计算曼哈顿距离L1、欧式距离L2（将两张图片的矩阵进行距离计算得到的值越大表明图像差异越大，如图１所示）。                                                      

图１

                如果使用最近临算法对图像进行分类，会受一些离群点的影响，于是便出现了ｋ近临算法，也就是找距离目标图像最近的ｋ个图像，然后由这ｋ个图像进行投票最终得出该图像的类别 （图２）。

图２

                但是这个ｋ的值应该取什么，目前数据集被划分为了训练集和测试集，但是我们不应该使用测试集来进行非最后的验证，于是便出现了验证集，把训练再次拆分为新的训练集和验证集，我们可以在此基础上测试ｋ取何值的时候，训练的效果最好。

                为了更好的利用训练集，在数据集很小的时候，便出现了交叉验证的方法，也就是把训练集划分为多份，依次取其中的一份作为验证集，进行模型准确性的评估（图３）。

图３

         线性分类器的引入：

                对于最近邻算法，实际上没有训练出来一个模型，它只是让待预测图像与带有标签的图像进行比对而已，这样并不符合我们的期望，我们更希望的是能够训练很慢，预测很快。因此引入线性分类器（图４）。

图４

                线性分类器的目的是为了给出待预测图片在各个类的得分，比如数据集中有10个类，经过线性分类器后，会输出１列 10个值，这个值就是图片在各个类的得分（图５）

图５

                在线性分类器中，将2 × 2的图像拉成一列，形成4 × 1的矩阵，Ｗ便是设置的权重，其为3 × 4的矩阵，其中3为数据集中存在的类的个数，4为对应于该类设置的权重，Ｗ与Ｘ相乘在加上偏置便得到之后的3 × 1的矩阵，其中的值便是待预测图像在各个类的得分情况。

                因此训练好的线性分类器Ｗ可以看作是一些模板，将待预测的图像与它们进行比对，与模板相似的得分高，反之则低。取出Ｗ中的行进行可视化（图６）

图６

---