目录
学习目标：
入门计算机视觉第二天 图像分类与线性分类器
学习内容：
学习时间：
2021年1月23日-中午
学习产出：
1、 笔记 21遍
2、CSDN 技术博客 1 篇
打个小广告：各大影视会员共享账号等等点击——> 链接下单
图像识别难点：跨越语义鸿沟
要点：视角，光照，遮挡，形变，环境杂波，内类形变，运动模糊...
基于规则的分类方法
是否可行？通过硬编码的方法是否可行？——>非常困难的事情
数据驱动的图像分类方法
1 ，数据集构建
2，分类器设计
图像表示：
1：像素表示
2：全局特征表示（如GIST）
3：局部特征表示（如SIFT）
3，分类器的决策
分类器：
>近邻分类器
>贝叶斯分类器
>线性分类器
>支撑向量机分类器
>神经网络分类器
>随机森林
>Adaboost
损失函数
0-1损失
>多类支撑向量机损失
>交叉嫡损失
>L1损失
>L2损失
优化方法
>一阶方法
·梯度下降·随机梯度下降
·小批量随机梯度下降
>二阶方法
·牛顿法
. BFGS
.L-BFGS
训练过程
>数据集划分
>数据预处理
>数据增强
>欠拟合与过拟合
>减小算法复杂度
>使用权重正则项
>使用droput正则化
>超参数调整
>模型集成
决策
2.设计
线性分类器：
W权值向量是在一个训练模板权值里进行计算得分最高为最似值，b为偏置。如：下图
损失函数
什么是损失函数?
损失函数搭建了模型性能与模型参数之间的桥梁指导模型参数优化。
损失函数是一个函数，用于度量给定分类器的预测值与真实值
的不一致程度，其输出通常是一个非负实值。
其输出的非负实值可以作为反馈信号来对分类器参数进行调整，
以降低当前示例对应的损失值，提升分类器的分类效果。
x表示数据集中第i张图片;
f(x,,W)为分类器对x的类别预测;y为样本i真实类别标签（整数);L;为第i个样本的损失当预测值;
L为数据集损失，它是数据集中所有样本损失的平均。
max(0,·)损失 常被称为折页损失(hingeloss)
示例:
假设有3个类别的训练样本各一张，分类器是线性分类器f(x,W) = Wx +b，其中权值W，b已知，分类器对三个样本的打分如下:
当前分类器对于鸟这张图像的损失:
其余类似计算可得 图像损失。
打个小广告：各大影视会员共享账号等等点击——> 链接下单
欢迎关注微信公众号：
标签：图像识别,函数,分类,损失,分类器,图像,线性,方法 来源： https://blog.csdn.net/weixin_44698624/article/details/113039721
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。