首页 > 代码库 > 自问自答 学习系列（1）：从图像分类，到损失函数，到神经网络
自问自答 学习系列（1）：从图像分类，到损失函数，到神经网络
1.图像分类的挑战：
- 视角变化（Viewpoint variation）：同一个物体，摄像机可以从多个角度来展现。
- 大小变化（Scale variation）：物体可视的大小通常是会变化的（不仅是在图片中，在真实世界中大小也是变化的）。
- 形变（Deformation）：很多东西的形状并非一成不变，会有很大变化。
- 遮挡（Occlusion）：目标物体可能被挡住。有时候只有物体的一小部分（可以小到几个像素）是可见的。
- 光照条件（Illumination conditions）：在像素层面上，光照的影响非常大。
- 背景干扰（Background clutter）：物体可能混入背景之中，使之难以被辨认。
- 类内差异（Intra-class variation）：一类物体的个体之间的外形差异很大，比如椅子。这一类物体有许多不同的对象，每个都有自己的外形。
KNN是寻找K个相似的图片的标签。分别投票，选出最相似的标签。
L1 L2
3.交叉验证的到 htperparameter的原理：
数据只有1000个，我们分成5分，用其中4分训练，剩下的一份来验证，如此循环。
4.NN分类器的优缺点
优点：易于理解，实现简单，测试耗费时间长。因为要与测试的每一张图片进行比较。 将所有的数据都存储起来，过于浪费资源。
5.基于 4的优缺点，我们提出了使用Score function 和 Loss function 来进行图像分类，将图像分类变成一个最优化问题，这是如何实现的？
关键点 ：将图像到标签值的参数化映射，也就是 Score function ，一个线性得分函数：
6.小知识点:将权重和偏置参数合并的技术：
自问自答 学习系列（1）：从图像分类，到损失函数，到神经网络
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。