深度学习应用开发 第6章 图像分类.pptxVIP

第6章图像分类

目录1图像分类的介绍01任务图像分类的应用02任务图像分类的挑战03任务图像分类的方法04任务

1图像分类的介绍

1图像分类的介绍图像分类是将整幅图像分类为单个标签的任务。例如，如果给定的图像是狗或猫，图像分类任务就可以将图像标记为狗或猫。本章将介绍如何使用TensorFlow来建立这样的图像分类模型，并学习提高分类准确率的技术。图像分类的目标就是将不同图片划分到不同类别，实现最小的分类误差。

2图像分类的应用

2图像分类的应用图像分类是以一定的可信度用一个对象或概念对整幅图像打标签的任务。它的应用包括根据给定人脸图像进行性别分类、识别宠物类型、标记照片等。

2图像分类概述图片分类技术是计算机视觉中重要的基本问题，是目标检测，图像分割，物体追踪等视觉任务的基础。图像分类有广泛的应用，如网盘图片自动分类，卡片类别识别，动植物识别等。

3图像分类的挑战

3图像分类的挑战图像分类问题受各种因素的影响，模型的性能主要面临一下几种挑战：（1）类内变化：类内差异是同一类图像之间的差异。（2）比例变化：同一对象的图像具有多种大小，且可能大小差异很大。（3）视点变化：视点变化即相对于如何在图像中拍摄和捕获对象。（4）遮挡：图像中分类对象无法完全查看，很大一部分隐藏在其他对象的后面。（5）光照条件：由于照明强度不同，在图像中像素的强度级别也有所不同。（6）背景：如果图中有很多对象，找到特定对象非常困难

4图像分类方法

4图像分类的方法按照图像分类的发展过程划分，图像分类可以分为传统图像分类和深度学习图像分类。（1）传统的图像分类方法传统的图像分类方法有很多，如使用近邻分类器（NearestNeighborClassifier），将测试图片与训练集中的每个图片去对比，将差别最小的那个类的标签，作为预测结果。即将两张图片的像素矩阵相减，得出插值矩阵求值。

3图像分类的类型（2）深度学习图像分类方法图像分类从传统方法到基于深度学习的方法，得益于计算机算力的提升。LeNet-5是使用深度学习方法处理图像分类的卷积神经网络。又随着ImageNet数据集分类大赛的举办，出现了大量的高性能图像分类模型。如AlexNet、GoogLeNet、VGGNet、ResNet等。

目录1二分类概念01任务二分类问题评价指标02任务二分类问题损失函数03任务

1二分类概念

1二分类概念二分类(BinaryClassification)，是应用最广泛的机器学习问题，它指的是所有数据的标签就只有两种，正面或者负面。比如电影评论文本分类、垃圾邮件分类、猫狗图像分类等。

2二分类问题评价指标

2二分类问题评价指标二分类模型常用的模型评价指标有准确率、精确率、召回率等。（1）准确率是最常用的评价分类问题的性能指标，其定义是对于给定的数据，分类正确的样本数占总样本数的比例。

2二分类问题评价指标缺点：对于数据不均衡的数据集，使用准确率评估模型的性能会缺少一定的说服力。比如一个数据集，有990正样本，10个负样本，如果模型把样本全部都预测成正样本，那么我们说模型的准确率是99%，从计算上看是没问题的，但是当样本不均衡时，只使用准确率来评价一个模型的好坏是不够的。

2二分类问题评价指标（2）精确率和召回率对于二分类问题常用的评价指标是精确率和召回率。通常以关注的类为正类，其他类为负类，分类器在数据集上的预测或者正确或者不正确，我们有4种情况，在混淆矩阵中表示如下：P（Positive）：代表正例，表示为1N（Negative）：代表负例，表示为0T（True）：代表预测正确F（False）：代表预测错误

2二分类问题评价指标二分类问题的预测结果可以分成以下四类：真正例（TP）：预测值为1，真实值为1假正例（FP）：预测值为1，真实值为0真反例（TN）：预测值为0，真实值为0假反例（FN）：预测值为0，真实值为1

2二分类问题评价指标精确率(Precision)表示分类正确的正样本个数（TP）占分类器判定为正样本的样本个数（TP+FP）的比例，公式如下：

2二分类问题评价指标召回率(Recall)是指分类正确的正样本个数（TP）占真正的正样本个数（TP+FN）的比例，公式如下：

2二分类问题评价指标每个评价指标都有其价值，但如果只从单一的评估指标出发去评估模型，往往会得出片面甚至错误的结论；只有通过一组互补的指标去评估模型，才能更好地发现并解决模型存在的问题，从而更好地解决实际业务场景中遇到的问题。

3二分类问题损失函数

3二分类问题损失函数二分类问题中，常见的损失函数有负对数似然损失(neglog-likelihoodloss)、交叉熵损失(crossentropyloss)、指数损失(exponentiallo