一个网站的建设流程有哪些,wordpress设计标题栏,云南网络公司网站建设,电商网站开发哪家好2.1.1 图像分类
任务目的#xff1a;对输入的图像赋予一个标签#xff0c;这个标签在指定类别集合中。
下面这个例子中#xff0c;图像分类模型拍摄一张图像并将概率分配给4个标签{cat#xff0c;dog#xff0c;hat#xff0c;mug}。如图所示#xff0c;请记住#xf…
2.1.1 图像分类
任务目的对输入的图像赋予一个标签这个标签在指定类别集合中。
下面这个例子中图像分类模型拍摄一张图像并将概率分配给4个标签{catdoghatmug}。如图所示请记住对于计算机而言图像表示为一个大型3维数字数组。在此示例中猫图像的宽度为248像素高度为400像素并具有红色绿色蓝色简称RGB三个颜色通道。因此图像由248 x 400 x 3个数字或总共297,600个数字组成。每个数字都是一个整数范围是0黑色到255白色。我们的任务是将这一百万分之一的数字变成一个单独的标签例如“ cat”。 图像分类的任务是预测给定图像的单个标签或标签上的分布如图所示以表示我们的可信度。图像是0到255之间的三维整数数组大小为宽x高x 3。3表示红色、绿色、蓝色三个颜色通道。 2.1.1.1 挑战
由于识别视觉概念的任务对人类来说相对来说是微不足道的因此从计算机视觉算法的角度考虑所涉及的挑战存在并且具有价值的。图像的原始表示为亮度值的三维数组 Viewpoint variation单个物体从不同的角度照出来的图像 Scale variation展现出的图像大小会变化 Deformation许多物体的边缘可以形成不同的形状形式 Occlusion关注的某个物体会被遮挡只有一小部分会被显示出来 Illumination conditions: 光照对像素级的影响很大 Background clutter: 感兴趣的物体与环境融合很难进行区分 Intra-class variation: 物体的类别非常广泛相近例如椅子这些对象有许多不同的类型每个都有自己的外观 所以一个好的图像分类模型必须解决上述问题对各种变化的交叉存在具有敏感性。
2.1.2 近邻分类器
首先我们将介绍一个最近邻分类的方法虽然这个方法没有用到深度学习的方法并且也很少在实践中使用。但是能够给我们提供一个去解决图像分类问题的基础思路。
数据驱动方式
如何编写一个算法进行将一个张图片分类到具体一个类别会给计算机提供每个类别的很多样本然后使用算法去学习这些样本学习每个类别的视觉特点。这样的方式依赖于大量的指定类别的训练数据。如下所示 2.1.2.1 CIFAR-10例子介绍
图像分类数据集示例CIFAR-10一个流行的图像分类数据集。这个数据集由60000个32像素高和宽组成的小图像组成。每个图像都被标记为10个类之一例如“飞机、汽车、鸟等”。这60000个图像被分割成50000个图像的训练集和10000个图像的测试集。在下图中您可以看到10个类中每个类的10个随机示例图像 上面图中就是数据集的类别和图像的示例右边展示了一部分测试图像以及最相近的在训练集中前10张图片集合。
2.1.2.2 算法思路
假设现在我们得到了cifar-10训练集它包含50000个图像每个标签有5000个图像我们希望标记预测剩下的10000个图像。
最近邻分类器将得到一个测试图像将其与每个训练图像进行比较并预测其标签为最近的训练图像的标签。
在上面和右边的图像中您可以看到10个示例测试图像的这种过程的示例结果。注意在大约10个示例中只有3个检索到同一类的图像而在其他7个示例中则不是这样。例如在第8排离马头最近的训练图像是一辆红色的汽车大概是由于强烈的黑色背景。因此在这种情况下马的图像会被错误地标记为汽车。
如何比较图像两张图片
每个图像都是32 x 32 x 3的像素。最简单的方法之一是逐像素比较图像并将所有差异相加。 如果两个图像一样结果为0如果两个图像相差很大结果会很大
训练数据集与测试数据L1距离代码实现 Xtr为所有训练数据
distances np.sum(np.abs(Xtrain - Xtest[i,:]), axis 1)设定输入的图片和标签形状为
Xtrain_rows Xtrain.reshape(Xtrain.shape[0], 32 * 32 * 3) # Xtr_rows becomes 50000 x 3072
Xtest_rows Xtest.reshape(Xtest.shape[0], 32 * 32 * 3) # Xte_rows becomes 10000 x 3072完整代码实现(Numpy)
import numpy as npclass NearestNeighbor(object):def __init__(self):passdef train(self, X, y):XN x D形状N为样本数D为像素数量Y1维大小为N# 所有最近邻需要的训练数据集self.Xtrain Xself.ytrain ydef predict(self, Xtest):对输入的X若干个测试图片每个进行预测num_test Xtest.shape[0]# 确保输出类型一样Ypred np.zeros(num_test, dtype self.ytrain.dtype)# 循环所有测试数据for i in xrange(num_test):# 使用L1距离找到i最近的训练图片distances np.sum(np.abs(self.Xtrain - Xtest[i,:]), axis 1)min_index np.argmin(distances)# 获取最近的距离的图像下标Ypred[i] self.ytrain[min_index]# 预测标签获取对应训练那张图片的目标标签return Ypred结果
使用上述方法我们在CIFAR-10的测试机上面只能达到38.6% 的准确率距离目前人类的测试结果大概94%的准确率还有后面着重介绍的state of the artSOTA前沿的的卷积神经网络取得的效果95%
距离选择
距离有很多种方式在计算两个向量的距离时候也可以选择L2欧式距离。 d_2 (I_1, I_2) \sqrt{\sum_{p} \left( I^p_1 - I^p_2 \right)^2}d2(I1,I2)√p∑(I1p−I2p)2只要去修改其中的距离计算即可
distances np.sqrt(np.sum(np.square(Xtrain - Xtest[i,:]), axis 1))但是在实际的最近邻应用程序中我们可以省略平方根操作因为平方根是单调函数。缩放距离的绝对大小因此有或没有顺序的最近邻是相同的。如果您使用L2距离在cifar-10上运行最近邻分类器将获得35.4%的精度略低于L1距离结果。
2.1.3 近邻分类器的优缺点 优点是实现和理解起来非常简单。此外分类器不需要时间进行训练因为所需的只是存储并可能索引训练数据。 缺点是我们在测试时候的计算成本因为对测试示例进行分类需要与每个单独的训练示例进行比较。这是向后的因为在实践中我们通常更关心测试时间的效率而不是训练时间的效率。 利用L1和L2进行距离测量不适合描述图片的相似度不适合描述图片在视觉感知上的差异测试太慢维数灾难
注最近邻分类器的计算复杂度是非常值得研究的领域现有的几种近似最近邻ann算法和库可以加速数据集中的最近邻查找。这些算法允许在检索过程中权衡最近邻检索的正确性和其空间/时间复杂性并且通常依赖于涉及构建kdtree或运行k-means算法的预处理/索引阶段。在某些情况下尤其是在数据低维的情况下最近邻分类器有时可能是一个不错的选择但它很少适用于实际的图像分类设置。一个问题是图像是高维对象高维空间上的距离可能非常反直观。
存在问题 基于高维数据尤其是图像的像素距离可能非常不直观。上述原始图像左和它旁边的其他三个图像根据L2像素距离三个变化后的图像都离原始图像同样远。显然像素级的距离根本不符合图像的语义相似性。
2.1.4 总结
图像分类任务引入以及挑战最近邻分类器L1与L2距离在图像距离的计算和存在的问题
