4、图像分类基础与学习类型解析

图像分类基础与学习类型解析

1. 什么是图像分类

图像分类的核心任务是从预定义的类别集合中为图像分配一个标签。具体来说，就是分析输入图像并返回一个能对该图像进行分类的标签，且这个标签总是来自预定义的可能类别集合。

例如，假设可能的类别集合为： categories = {cat, dog, panda} 。当向分类系统输入一张图像时，目标是从这个类别集合中为该图像分配一个标签，比如“dog”。分类系统也可以通过概率为图像分配多个标签，如“dog: 95%; cat: 4%; panda: 1%”。

更正式地讲，对于一个具有W×H像素、分别为红、绿、蓝三个通道的输入图像，目标是处理这个W×H×3 = N像素的图像，并找出正确分类图像内容的方法。

1.1 术语说明

在进行机器学习和深度学习时，我们有一个试图从中提取知识的数据集。数据集中的每个示例或项目（无论是图像数据、文本数据、音频数据等）都是一个数据点。因此，数据集是数据点的集合。

在图像分类的上下文中，数据集是图像的集合，每个图像就是一个数据点。

1.2 语义鸿沟

人类和计算机对图像的理解存在差异，这就是语义鸿沟。例如，我们能轻松区分一张猫的照片和一张狗的照片，但计算机看到的只是两个大的像素矩阵。

以一张宁静海滩的照片为例，我们可以从空间布局（天空在图像顶部，沙子/海洋在底部）、颜色（天空是深蓝色，海水比天空颜色浅，沙子是棕褐色）和纹理（天空图案相对均匀，沙子很粗糙）等方面描述图像。但如何将这些信息编码成计算机能理解的形式呢？答案是应用特征提取来量化图像内容。特征提取是对输