图像分类项目 2.28

今天的内容是图像分类项目一 .图像分类 将不同的图像，划分到不同的类别标签，实现最小的分类误差。图像分类的三层境界1. 通用的多类别图像分类 2. 子类细粒度图像分类 3. 实例级图片分类二 .图像分类评估指标TP（True positive，真正例）：将正类预测为正类数。 FP（False positive，假正例）：将反类预测为正类数。 TN（True negative，真反例）：将反类预测为反类数。 FN（False negative，假反例）：将正类预测为反类数。 精确率（Accuracy）：模型识别正确的个数/样本的总个数。 准确率（Precision）：在模型识别为正类的样本中，真正为正类的样本所占的比例。 召回率（Recall）：模型正确识别出为正类的样本的数量占总的正类样本数量的比值。 F1_Score：正确率和召回率的调和平均数。 P-R曲线： 召回率增加，精度下降。 曲线和坐标轴面积越大，模型越好。 对正负样本不均衡敏感。三 .多类别分类模型 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，其余元素之和为错误分类的样本数。对角线的值越大，分类器准确率越高。四 .模型基本概念 网络的深度：计算最长路径的卷积层+全连接层数量。 LeNet网络，C1+C3+C5+F6+Output共5层。 网络的宽度：每一个网络层的通道数，以卷积网络层计算。 LeNet网络，C1(6), C3(16)。图像分类中样本量过少的问题 - 样本量极少：样本获取较难导致总体样本量过少。 工业产品 医疗样本量过少的解决方案 1. 迁移学习：使用预训练模型。