1.图片分类的问题定义

图片分类定义：给定图片做输入，输出图片中所包含的物体类别；

 

图1

 

 图像分类分为两种：single label （单分类）和multi label（多分类）；

左上图片：single label  and single instance（个体或实例）；

左下：single label and multi instance；

右上：multi label and multi instance；

右下：multi label and multi/single instance

一般的图像分类以单分类为主。

 

 

 

图2

2. 图像分类的性能评判准则

怎么评判图片分类的准确度呢？

Top1 Accuraccy：给定一张输入照片image，给出一种预测prediction，判断与实际的label是否一致，如果一致，就是分类预测正确；否则的话，分类预测错误；然后，统计一下预测正确和预测错误的比例，就可以得到Top1 Accuraccy；

Top5 Accuraccy：给定一张输入照片image，给出5种预测prediction，只要其中有一个prediction，与实际的label一样，就仍为分类预测正确；否则的话，仍为分类预测错误。最后，统计一下预测正确和预测错误的比例，就可以得到Top1 Accuraccy；

问题: 为什么针对单个single label，给出5种预测prediction？

因为ImageNet数据集有1000个类别，一般训练集中，一张图片只给定一个True Label；但是，从人的角度观测这张图片进行预测分类的话，一般可以有多个Label，可能一张图像分类存在歧义（比如上图2，右下图 multi label and multi/single instance ）。

 

 

 

 图3

 3. 经典数据集

MNIST数据集，single label的数据集，训练集60000张，测试及10000张，类别数量10个（数字0-9），每张图像是28*28*1大小的手写体灰度图；

Fashion-MNIST: 分类效果好，不清楚是算法有效(网络训练效果好)，还是MNIST这个问题很简单呢？ 图像大小仍是28*28*1的灰度图；

CIFAR10/CIFAR100：彩色图 32*32*3，类别之间严格无交叉；

ImageNet数据集相对上面，数量相对较大，Million级别；李飞飞教授提供的，深度学习所需训练集的基础。

 

 

 4. 经典算法

2012年，Alxnet的出现，标志着深度学习的元年。

网络轻量化：深度学习面临在手机端/移动端等，计算能力不强场景下应用，较深的网络难以在这种算力约束的情况下应用，故而网络轻量化是一个很热的话题，如MobileNet系列、ShuffleNet系列；

VGGNet：是比较经典的分类网络；

Inception系列网络：是从网络的宽度角度优化；

ResNet/DenseNet:是从网络的深度角度优化；

SENet是另辟蹊径，从其他的角度考虑优化。

注：每一篇网络的论文都推荐去读一下，它们是后续深度学习训练的基石。

 

 

 5. 性能对比

ImageNet 10M（千万级别）非常大的数据集；

ILSVRC: 是基于ImageNet数据集的提出的一个挑战赛。ImageNet Large Scale Vision Recognition Challenge，大致包含几个分类： 图像分类（image classification 1000个类别，128万数据集照片）、物体检测（Object location）、物体定位（Object detection）和视频物体检测（video object detection） 等。

AlexNet：2012年的AlexNet在ImageNet上，图像分类提高了>10%的百分点；

ResNet： 2015年 的ResNet，图像分类的准确度已经超过了人类的分类水平；

 

 

 图5

6. 图像分类与定位

图像分类： 输入image，给定5个预测的分类结果（class prediction）；

图像分类与定位：输入image，给定5对prediction，每对包含（class， box）；class 是整个图片的类别；第一，分类正确；第二，每个类别对应的box与真实标签box的IOU大于0.5；才仍为图像分类与定位正确。