【CS231n笔记】02 Image Classification pipeline

最新推荐文章于 2022-09-17 17:23:18 发布

原创

最新推荐文章于 2022-09-17 17:23:18 发布 · 1.1k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #CS231n

这篇博客介绍了CS231n课程中的图像分类问题，探讨了语义鸿沟、数据驱动方法以及图像分类流程。文章详细讲解了最近邻分类器，包括其工作原理、优缺点，并提到了k-Nearest Neighbor Classifier作为改进方法。此外，还讨论了超参数选取的重要性和方法，以及线性分类器的概念。

CS231n课程作业用Python编写，其入门教程见http://cs231n.github.io/python-numpy-tutorial/

第2课主要内容：

1. 图像分类任务中的难点

2. 数据驱动方法及图像分类任务流程

3. 最近邻分类器

4. 超参数的选取

5. 线性分类器

--------------------------------------------------------------------------------

1. 图像分类任务中的难点

图像分类是计算机视觉中的核心任务，但是使用计算机处理图像数据时存在一个明显的问题——语义鸿沟（semantic gap）。一副图像在计算机“看来”只是一个三维数组，其中的数据为整型，取值范围0~255，计算机无法通过这些像素值直观得到物体类别的概念（即标签），只能通过图像分类算法，将这个像素集合映射为某物体类别的标签值。