图像分类

将不同的图像，划分到不同的类别标签，实现最小的分类误差

图像分类适用于单一物种的图片，如猫、狗等。

 图像分类的三层境界

 通用的多类别图像分类

        类别差异性大，如猫和狗。

 

 子类细粒度图像分类

        类别相似性大，如同种不同类型的猫或鸟

实例级图片分类

        如人脸识别，个体差异性非常小。

 图像分类评估指标之混淆矩阵

TP （True positive,真正例）——将正类预测为正类数。FP（False postive,假正例）——将反类预测为正类数。TN（True negative,真反例）——将反类预测为反类数。FN（False negative,假反例）——将正类预测为反类数。

拿西瓜举例：

        FP是把坏西瓜预测成好的

        FN是把好西瓜预测成坏的

图像分类评估指标

 1️⃣      精确率，准确率，召回率

 精确率(Accuracy)：精确率是最常用的分类性能指标。可以用来表示模型的精度，即模型识别正确的个数/样本的总个数。一般情况下，模型的精度越高，说明模型的效果越好。

        准确率(Precision)：又称为查准率，表示在模型识别为正类的样本中，真正为正类的样本所占的比例。

        召回率(Recall)：又称为查全率，表示模型正确识别出为正类的样本的数量占总的正类样本数量的比值

查准率跟查全率可以用自动驾驶来举例理解：

        十个次里面有8次停车，其中7次是真的前面有人，还有1次是误测，然后停车（查准率这个是）；十次里面有一两次没有停车，因为那一两次行人出现没有检测到，因此没有停车（查全率这个是）

       ① 因此，在自动驾驶系统中，高查准率和高全查率都是非常重要的：（好处）

                高查准率：可以减少不必要的停车，提高行驶效率，避免因为误判而造成的不便。        
                高全查率：可以确保在真正有行人的情况下，车辆能够及时停车，保障行人的安全。

       ② 要平衡查准率和查全率
                高查准率、低查全率：系统很少误判，但可能漏检行人，导致危险。
                低查准率、高查全率：系统很少漏检，但可能频繁误判，导致不必要的停车。

2️⃣F1_Score

F1_Score：它被定义为正确率和召回率的调和平均数

3️⃣P-R曲线

P-R曲线：

召回率增加，精度下降。

·曲线和坐标轴面积越大，模型越好。

·对正负样本不均衡敏感

4️⃣

5️⃣

多类别分类模型各个类别之间的分类情况

对于k分类问题，混淆矩阵为k*k的矩阵，元素Cij表示第i类样本被分类器判定为第j类的数量。

主对角线的元素之和为正确分类的样本数，其余元素之和为错误分类的样本数。对角线的值越大，分类器准确率越高。

模型基本概念-网络的深度

        深度学习最重要的属性，计算最长路径的卷积层+全连接层数量。LeNet网络，C1+C3+C5+F6+Output共5层

        每一个网络层的通道数，以卷积网络层计算。 LeNet网络，C1(6),C3(16)。

图像分类中样本量过少的问题

样本量极少：样本获取较难导致总体样本量过少。

样本量过少的解决方案1

        迁移学习：使用预训练模型。 ImageNet数据集具有通用性，使用它进行预训练可加速模型收敛。

样本量过少的解决方案2

        数据增强(有监督方法与无监督方法)