文章内容课堂总结

一 图像分类技术概述  
1 核心目标  
   将不同图像划分为对应类别标签 最小化分类误差  

2 图像分类的三个层次  
   通用多类别分类 基础场景如ImageNet任务  
   子类细粒度分类 区分更细粒度的类别如狗的品种而非仅动物  
   实例级分类 区分同一类别的不同个体如人脸识别  

二 图像分类评估指标  
1 基础指标  
   混淆矩阵 kk矩阵k为类别数 主对角线为正确分类数 非对角线为错误分类数  
     TPTrue PositiveFPFalse Positive
TNTrue NegativeFNFalse Negative  

2 性能度量  
   准确率 Accuracy 正确预测数 总样本数  
   精确率 Precision 预测正类中实际正类的比例关注预测准确性  
   召回率 Recall 实际正类中被正确预测的比例关注覆盖能力  
   F1Score 精确率与召回率的调和平均数  

3 可视化工具  
   PR曲线 横轴为召回率 纵轴为精确率 曲线下面积越大模型性能越好  
     注意 对数据不平衡敏感  

4 多类别扩展  
   混淆矩阵扩展至kk形式 用于分析各类别间分类效果  

三 深度学习模型关键概念  
1 网络深度  
   定义 最长路径上的卷积层  全连接层数量  
   示例 LeNet网络包含5层C1C3C5F6Output  

2 网络宽度  
   定义 每层通道数卷积层为主  
   示例 LeNet中C1层有6个通道 C3层有16个通道  

四 小样本量问题的解决方案  
1 问题场景  
   医疗影像 工业检测等领域因样本获取困难导致数据稀缺  

2 应对策略  
   迁移学习 利用预训练模型如基于ImageNet的模型加速收敛  
   数据增强  
     有监督方法 平移 旋转 裁剪 缩放 调整亮度和对比度  
     无监督方法 使用GAN生成合成样本后再训练