5.计算机视觉模型训练与应用-计算机视觉基本任务.pptxVIP

计算机视觉模型训练与应用计算机视觉模型应用

项目目标（1）了解计算机视觉领域的基本任务。（2）了解图像分类任务的常用网络。（3）能够针对应用场景训练图像分类模型。（4）能够应用图像分类模型进行预测。

课堂导入计算机视觉机器视觉

项目描述计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等。计算机视觉是人工智能研究的重要领域，它试图建立一个像人一样的视觉感知系统。计算机视觉主要任务就是用于识别和理解图像或视频中的内容。深度学习语义分割实例分割检测分类

计算机视觉基本任务在计算机视觉领域中，最主要的四大基本任务包括分类、检测、语义分割和实例分割，下面是基本解释及相关图示。分类给定一张输入图像，图像分类任务旨在判断该图像所属类别。

计算机视觉基本任务在计算机视觉领域中，最主要的四大基本任务包括分类、检测、语义分割和实例分割，下面是基本解释及相关图示。检测给定一张输入图像，目标检测任务旨在用方框框出图片内的物体和位置。

计算机视觉基本任务在计算机视觉领域中，最主要的四大基本任务包括分类、检测、语义分割和实例分割，下面是基本解释及相关图示。语义分割给定一张输入图像，在框出目标的基础上，区分图像中每一点像素点。

计算机视觉基本任务在计算机视觉领域中，最主要的四大基本任务包括分类、检测、语义分割和实例分割，下面是基本解释及相关图示。实例分割可精确到物体的边缘，需标注出图上同一物体的不同个体。

图像分类任务常用网络ResNetDenseNetAlexNetMobileNet

图像分类任务常用网络ResNet网络结构

图像分类任务常用网络DenseNet网络结构

图像分类任务常用网络AlexNet网络参数配置

图像分类任务常用网络MobileNet是谷歌公司针对手机等嵌入式设备提出的一种轻量级的深度神经网络，主要用于移动和嵌入式设备的视觉方面，并且其与在ImageNet分类上的其他已有模型如GoogleNet和VGG16相比，具有强大的性能。MobileNet可以应用于多个领域，包括物体检测、分类、跟踪等。

图像分类任务常用网络MobileNetV1模型的参数及说明

训练垃圾分类模型实施思路01数据准备02模型加载03模型训练04模型预测

知识拓展LIME算法的全称为LocalInterpretableModel-AgnosticExplanations，即与模型无关的局部可解释性算法，它支持对图像分类的结果以可视化的方式进行解释，实现步骤主要如下。步骤1：获取图像的超像素。步骤2：以输入样本为中心，在其附近的空间中进行随机采样，每次采样即对样本中的超像素进行随机“遮掩”，每个采样样本的权重和该采样样本与原样本的距离成反比。

知识拓展步骤3：每个采样样本通过预测模型得到新的输出，这样得到一系列的输入X和对应的输出Y。步骤4：将X转换为超像素特征F，用一个简单的、可解释的模型来拟合F和Y的映射关系。步骤5：模型将得到F每个输入维度的权重，每个维度代表一个超像素，以此来解释模型。

知识拓展LIME可解释性结果可视化示例