图像分类

即通过某种分类算法使计算机判断输入图像所属的类别。图像分类是后续目标检测、图像分割的重要基础。近年来,随着深度学习的发展,图像分类取得了显著进步,并在许多数据集上达到了超越人类的水准。

多类别图像分类

  • 传统CNN分类网络及其特点

动手搭建一个多类别图像分类网络

  • 图像数据读取
  • 神经网络搭建
  • 评价指标计算

提升网络性能的策略

  • 超参数的选择
  • 网络层数设置
  • 数据处理

细粒度图像分类

多类别图像分类网络在类别差异比较大的数据集上,甚至可以取得超过人类的准确率,但是当类别之间的差异非常小,亦或是类内差距非常大的情况下,其准确度会大打折扣。这就涉及到细粒度图像分类的相关研究。

多标签图像分类

不论是多类别还是细粒度图像分类,单张图片中往往只含有一个类别信息,但在实际生活和工程应用中,某张图片中包含着若干个目标,如图片中含有人,狗,树等多个类别信息。

实例级图像分类和无/弱监督图像分类

实例级别的分类是指,对图像中每个类别的子类或者个体进行划分,其实质和目标检测中bounding box的分类训练相同。

该任务难点在于:

  1. 要区分每个类别
  2. 要正确区分每一个个体

无/弱监督分类是指,减少数据标记的参与程度,由于缺乏或没有标记信息,仅可以将不同类别的物体进行聚类。

实际应用过程中可能出现的问题

  • 样本不平衡
  • 无穷负样本

分类网络的应用

  • 网络可视化
  • 参数可视化