第5章 计算机视觉应用——图像分类.pptx

第5章计算机视觉应用——图像分类

目录CONTENTS5.1图像分类简介5.2ResNet的基本原理5.3训练过程5.4模型结果评估

第5章计算机视觉应用———图像分类前面深入探讨了PyTorch深度学习框架的基本原理和应用,为构建深度神经网络奠定了坚实的基础。接下来将聚焦于深度学习领域中的三大核心任务:图像分类、目标检测和语义分割。这三个任务代表着深度学习在不同层面上的应用,从简单的图像分类到更复杂的目标定位和像素级别的语义分析,体现了深度学习模型在解决现实世界问题中的广泛应用和强大能力。通过深入研究这些任务,读者将更全面地理解深度学习在计算机视觉和人工智能领域的深远影响。本章讲解图像分类任务,图像分类是计算机视觉中最基本的任务,指的是将一幅图像分到具体的类别,也是深度学习最早大放异彩的领域,其中出现了很多经典的网络模型,如AlexNet、GoogLeNet、VGGNet、ResNet等。本章以ResNet网络模型为例详细介绍网络模型的基本原理及模型的训练过程。

第5章计算机视觉应用———图像分类小知识图像处理技术在游戏开发中用于场景渲染、角色动画等。

图像分类简介5.1

5.1图像分类简介图像分类是计算机视觉领域中的核心任务,其目的是根据图像信息中所反映的不同特征,把不同类别的图像区分开来。具体来说就是从已知的类别标签集合中为给定的输入图片选定一个类别标签,如图5-1所示。图像分类是计算机视觉领域中目标检测、语义分割等其他任务的基础。虽然这项任务可以被认为是人类的第二天性,但对于计算机系统来说更具挑战性,因为计算机能看到的只是图像中像素的数值。对于一幅RGB图像来说,假设图像的尺寸为32×32,那么计算机看到的是一个大小为32×32×3的数字矩阵,或者更正式地称其为张量,简单来说,张量就是高维的矩阵,那么计算机的任务其实就是寻找一个函数关系,这个函数关系能够将这些像素的数值映射到一个具体的类别,这样就建立了像素到语义的映射。通过理解图像的像素值与语义类别之间的映射关系,可以利用计算机视觉技术来实现图像分类任务。传统的图像分类算法通常采用手工设计的特征提取方法(如SIFT、HOG等)来提取图像的低层次特征,然后使用机器学习算法,如支持向量机(SVM)、随机森林(randomforest)等来进行分类决策。

5.1图像分类简介

传统图像分类算法建立模型时,一般包括底层特征提取、特征编码、空间特征约束、通过分类器分类等阶段。5.1图像分类简介(1)底层特征提取:通常从图像中按照固定步长、尺度来提取大量局部特征描述。常用的局部特征包括尺度不变特征转换(SIFT)、方向梯度直方图(HOG)、局部二值模式(LBP)等,一般也采用多种特征描述,防止丢失过多的有用信息。(2)特征编码:底层特征中包含了大量冗余与噪声,为了提高特征表达的鲁棒性,需要使用一种特征变换算法对底层特征进行编码,称为特征编码。常用的特征编码方法包括向量量化编码、稀疏编码、局部线性约束编码、Fisher向量编码等。

5.1图像分类简介(3)空间特征约束:特征编码之后一般会经过空间特征约束,也称为特征汇聚。特征汇聚是指在一个空间范围内对每一维特征取最大值或平均值,可以获得一定特征不变形的特征表达。金字塔特征匹配是一种常用的特征汇聚方法,这种方法提出将图像均匀分块,在分块内进行特征汇聚。(4)通过分类器分类:经过前面步骤之后一张图像可以用一个固定维度的向量进行描述,接下来就是通过分类器对图像进行分类。通常使用的分类器包括支持向量机(SVM)、随机森林等。而使用核方法的SVM是最为广泛的分类器,在传统图像分类任务上性能很好。

这种传统的图像分类方法在以前的PASCALVOC竞赛中的图像分类算法中被广泛使用,但是主要障碍是分类任务的准确性在很大程度上取决于特征提取阶段的设计,而这通常被证明是一项艰巨的任务。近年来,利用多层非线性信息处理、特征提取和转换及模式分析和分类的深度学习模型已被证明可以克服这些挑战。其中,卷积神经网络(CNN)已成为大多数图像识别、分类和检测任务的领先架构。5.1图像分类简介

在深入研究相关Python代码之前,先了解一下图像分类模型通常是如何设计的,可以把这个过程大致分为4个阶段:加载和数据预处理、定义模型架构、训练模型、性能评估。在更强的GPU、更大的数据集和更好的算法的推动下,深度学习的复兴推动了CNN的一些早期成功,成为众人的焦点,特别是ResNet网络模型的出现为深度学习带来了新的突破,使得深度神经网络可以在更大的规模上实现更精确的图像分类。通过采用更深的网络结构,ResNet能够更好地捕捉图像的高级特征,从而提高分类的准确性。此外,ResNet还采用了批量标准化