《计算机视觉》 教学案例 9、图像分类.pdf

教学案例9：图像分类

一、实验目的与任务

使学生掌握图像特征提取、传统图像分类、神经网络图像分类方法，了解MNIST、

CIFAR等图像数据集的构成。

二、实验内容、要求及安排

实验内容：以手写数字分类、人脸识别为任务，实现基于传统分类器，以及基于神经

网络的图像分类算法。实验中应注意针对手写数字分类与人脸识别两个不同任务，传统分

类器与神经网络模型对实验结果、实验参数、算法时间和空间复杂度的区别。实验报告中

要包含问题的数学原理描述、算法描述、实现，实验结果展示及分析。

实验要求：本课程实验要求学生使用Python语言编程。要求学生依据课堂讲授的相关

知识，经过分析、设计、编码与调试，独立完成手写数字分类和自然图像识别算法设计与

程序实现，并最终提交调试成功的源程序代码和实验报告。

实验安排：本实验属于开放性实验，要求每个学生独立地完成本实验项目。

三、任务实现及相关素材

（一）任务简介：图像分类是指将输入的图像分为不同的预定义类别的任务。它通过

学习一组训练图像和对应的标签，来建立分类模型。常见的图像分类方法包括传统的特征

提取和机器学习算法，以及基于深度学习的神经网络模型。图像分类在图像搜索、广告推

荐、智能客服等场景中被广泛应用。

（二）数据集简介：

1.MNIST（ModifiedNationalInstituteofStandardsandTechnology）数据集是由美国国

家标准与技术研究院修改的手写数字数据集，是深度学习和机器学习领域中最常用的数据

集之一。MNIST数据集由一系列28×28像素大小的灰度图像组成，每个图像表示了0~9

十个数字中的一个。每张图像都有一个对应的标签，表示图像所代表的数字。数据集分为

训练集和测试集，其中训练集包含了60000张图片，测试集包含了10000张图片。

2.CIFAR-100（CanadianInstituteforAdvancedResearch-100classes）是一个经典的图

像分类数据集，用于计算机视觉领域的研究和算法测试。它是CIFAR-10数据集的扩展版

本，包含了更多的类别，用于更具挑战性的任务。CIFAR-100包含100个不同的类别，每

个类别都包含600张32x32像素的彩色图像；这100个类别被划分为20个大类别，每个

大类别包含5个小类别。这个层次结构使得数据集更加丰富，包含了各种各样的对象和场

景。每张图像的大小是32x32像素，包含RGB三个通道。

3.ImageNet是一个庞大的视觉对象识别数据库，由斯坦福大学的计算机科学系开发。

它是一个包含超过1400万张图像的大规模图像数据库，用于训练和评估计算机视觉算法。

ImageNet数据集的目标是识别和分类图像中的各种物体和场景。它涵盖了从动物到交通工

具等各个领域的图像。

上述数据集可以从网上搜索下载。

（三）模型简介：

1.VGGNet是在2014年由KarenSimonyan和AndrewZisserman提出的，VGG与

AlexNet相比，它是将AlexNet模型中较大的卷积核(例如：11x11、7x7、5x5)换成连续

几个3x3的卷积核。其目的是：减少网络参数量；由于参数量被大幅减小，于是可以用多

个感受野小的卷积层替换掉之前一个感受野大的卷积层，从而增加网络的非线性表达能力。

2.Transformer模型最开始是用于自然语言处理(NLP)领域的，NLP主要处理的是文本、

句子、段落等，即序列数据。为了将Transformer模型应用到图像数据，需要把图像数据转

换成序列数据，并对整个图片进行patch分割，然后通过线性投影对图片特征进行提取，

加上class标签及位置编码，最后输入TransformerEncoder中进行计算。

（四）环境说明：

算法开发环境推荐使用anoconda+pytorch，编程语言为Python。

Anaconda是一个用于科学计算的Python发行版，Anaconda支持Linux,Mac,Windows

系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及

各种第三方包安装问题