二分类、多分类、多标签分类等

        分类一般分为三种情况：二分类、多分类和多标签分类。多标签分类比较直观的理解是，一个样本可以同时拥有几个类别标签，比如一张图片含有车子、房子等，那么它的标签可以是房子、车子等，一部电影的标签可以是动作、喜剧等，这都是多标签分类的情况。多标签分类的一个重要特点是样本的所有标签是不具有排他性的。

二分类：表示分类任务中有两个类别，比如我们想识别一幅图片是不是猫。也就是说，训练一个分类器，输入一幅图片，用特征向量x表示，输出是不是猫，用y=0或1表示。二类分类是假设每个样本都被设置了一个且仅有一个标签 0 或者 1。

多类别分类(Multiclass classification): 表示分类任务中有多个类别, 比如对一堆水果图片分类, 它们可能是橘子、苹果、梨等. 多类分类是假设每个样本都被设置了一个且仅有一个标签: 一个水果可以是苹果或者梨, 但是同时不可能是两者。

多标签分类(Multilabel classification): 给每个样本一系列的目标标签. 可以想象成一个数据点的各属性不是相互排斥的(一个水果既是苹果又是梨就是相互排斥的), 比如一个文档相关的话题. 一部电影的标签可以是动作、喜剧等。

---

对于单标签的图像分类问题，它可以分为跨物种语义级别的图像分类，子类细粒度图像分类，以及实例级图像分类三大类别。

---

近年来，随着深度学习技术的兴起，图像分类领域得到了飞速的发展，并延申出一系列全新的研究方向，主要包括（原文链接：【AI有识境】如何掌握好图像分类算法？ - 知乎）：

(1) 多类别图像分类；

(2) 细粒度图像分类；

(3) 多标签图像分类；

(4) 无/半监督图像分类；

(5) 零样本图像分类；

---

细粒度图像分类 (fine-grained image recognition)

       细粒度图像识别 (fine-grained image recognition)，即 精细化分类。细粒度图像分类(Fine-Grained Categorization),又被称作子类别图像分类(Sub-Category Recognition),是近年来计算机视觉、模式识别等领域一个非常热门的研究课题. 其目的是对粗粒度的大类别进行更加细致的子类划分, 但由于子类别间细微的类间差异和较大的类内差异, 较之普通的图像分类任务, 细粒度图像分类难度更大.

（原文链接：深度学习: 细粒度图像分类 (fine-grained image recognition)_datayx的博客-优快云博客）

---

多标签图像分类

现实生活中的图像往往包含着多个目标，并非只包含单一种类的物体，多标签分类需要对含有多个目标的图像进行分类，准确识别多个类别。

标注形式: [1,1,0,...,1,0]

（原文链接：多标签图像分类 - 知乎）

---

无/半监督图像分类

无监督图像分类发展现状

【图像分类】简述无监督图像分类发展现状_言有三的博客-优快云博客

近来半监督图像分类任务有两大核心方法：一致性正则（Consistency Regularization）和打伪标签法（Pseudo-Label）。当前SOTA(state-of-the-art)水平的半监督算法，通常是这两种方法的结合产物，比如知名的Match系列方法：MixMatch（NIPS 2019），ReMixMatch（ICLR 2020），FixMatch（NIPS 2020）和FeatMatch（ECCV 2020）。

(原文链接：https://blog.youkuaiyun.com/weixin_44310457/article/details/117385167)

---

零样本图像分类

面对人工标注大量样本费时费力，一些稀有类别样本难于获取等问题，零样本图像分类成为计算机视觉领域的一个研究热点。

(原文链接：）

以上是图片分类方法以及类别的简单概述，详情见相关链接。