CS231n lecture2 图像分类
博客专区 > clgo 的博客 > 博客详情
CS231n lecture2 图像分类
clgo 发表于4个月前
CS231n lecture2 图像分类
  • 发表于 4个月前
  • 阅读 5
  • 收藏 0
  • 点赞 0
  • 评论 0

腾讯云 新注册用户 域名抢购1元起>>>   

课程PPT:http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture2.pdf

挑战:

1.语义鸿沟:图像像素数字和图像无关系

2.视点变换:变换相机位置后,像素点值发生改变

3.光照强弱

4.物理形变

5.遮蔽隐藏

6.背景混淆

7.组内差异

不能把物体像素点取值集合和物体的种类联合起来。

尝试:原图--->提取边缘---->提取角

数据驱动方法:

1.收集图像信息和标签

2.使用机器学习方法进行分类

3.在测试集图片上完成评估

第一个分类器:最邻近分类器

测试比较图像的距离之差

输入图片说明

**理想状态:**预测结果快,训练数据可以适当慢一些。

K邻近算法:

输入图片说明

K邻近算法的距离度量: 输入图片说明

K邻近简单的图像DEMO:http://vision.stanford.edu/teaching/cs231n-demos/knn/

**超参:**K值和距离度量方法

调参的建议:

1.参数设置具有问题依赖性,具体问题具体分析

2.参数设置需要尝试,尽量选取最优

调参步骤:

1.把数据集分为训练,检测,测试三个集合,选取在测试集上表现最好的数据在测试集上测试结果

2.交叉验证,适用于小数据集,但是不要在深度学习中过度使用

调参示意图

输入图片说明

K邻近方法在图片数据集上作用有限,因为像素距离并不是有效的信息。

输入图片说明

总结:**

**输入图片说明

线性分类器:

输入图片说明 输入图片说明 输入图片说明

共有 人打赏支持
粉丝 2
博文 87
码字总数 34305
×
clgo
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: