第二節課-Data-driven approach:KNN和線性分類器分類圖片

標籤：ima   9.png   分類器   app   類圖   問題   size   網路   卷積   

2017-08-12

 

1.圖片分類是很多CV任務的基礎；

2.圖片分類要面臨很多的問題，比片被遮擋，同一種動物有很多種顏色，形狀等等，演算法需要足夠強壯；

3.所以很難直接寫出程式來進行圖片分類，常用的方法是資料的驅動的方法：

 

4.KNN: 重點在於選取K的數值，可以採取交叉驗證的方式，找到最佳的K值；

 

同時，距離的表示也有集中方法，比如歐氏距離，曼哈頓距離：

 

 5.然後從KNN出發， 講了通用的函數模型，即把一張圖片映射為幾個類別的可能數值得分，最高的就是圖片所屬的類別：

備忘：這裡的X是一個3072維度向量，函數F就是把3072維度映射成10維度函數，10代表最後可能的類別有10種；當然，有時候需要考慮位移量b，bias；

例子：

6.下次就要集中在損失函數loss function, 還有最佳化過程，即找到使得損失函數最小的 參數值 W， 最後擴充到其他的分類器， 神經網路， 卷積神經網路；

第二節課-Data-driven approach:KNN和線性分類器分類圖片