成武菏泽网站建设,公司做网站之前要准备什么,安徽餐饮网站建设,在线购物商城网站图像分类卷积神经网络模型综述遇到问题
图像分类#xff1a;核心任务是从给定的分类集合中给图像分配一个标签任务。 输入#xff1a;图片 输出#xff1a;类别。 数据集MNIST数据集
MNIST数据集是用来识别手写数字#xff0c;由0~9共10类别组成。 从MNIST数据集的SD-1和…图像分类卷积神经网络模型综述
遇到问题
图像分类核心任务是从给定的分类集合中给图像分配一个标签任务。 输入图片 输出类别。
数据集
MNIST数据集
MNIST数据集是用来识别手写数字由0~9共10类别组成。 从MNIST数据集的SD-1和SD-3构建的其中包含手写数字的二进制图像 MNIST数据集将SD-3作为训练集将SD-1作为测试集但SD-3比SD-1更容易识别原因在于SD-3来源于人工调查局雇员 SD-1来源于高中生以上表明分类结果要独立于完整样本集中训练集和测试集的选择因此通过混合MNIST数据集来建立新 的数据集很有必要SD-1有58537幅图像由500位作者书写排列混乱SSD-3的图像是顺序的新的训练集共有60000幅图像 一部分来源于SD-1的前250位作家书写剩余部分来源于SD-3.新的测试集有60000幅图像部分来源于SD-1剩余250位作家所书写一部分来源于SD-3。
新数据集成为MNIST数据集共10个类别
在LeNEt5实验中训练集共60000幅图像测试集共10000幅图像。数据集包含4个文件 train-images-idx3-ubyte训练集图像 train-labels-idx1-ubyte训练集标签 t10k-images-idx3-ubyte测试集图像 t10k-labels-idx1-ubyte测试集标签 图像像素28*28.
IMagenET训练数据集
ImageNet数据集是具有超过1500万幅带标签的高分辨率图像数据库这些图像大约属于22000个类别这些图像由互联网收集并由人工使用亚马逊的机械土耳其众包工具贴上标签。
从2010年开始每年举行一次名为ImnageNet的大规模视觉识别挑战赛ILSVRC使用ImageNet的子集
类别共1000个类别数量总共大约有120万幅训练图像其中每个类别大约包含1000幅图像。验证集合50000幅验证图像测试集50000幅测试图像。
深度卷积网络模型在ImageNet数据集上进行训练和测试衡量模型优劣的指标为top−1和top−5top-1和top-5top−1和top−5错误率。
top-5错误率
对每幅图像同时预测5个标签类别若预测的五个类别任意之一为该图像的正确标签则视为预测正确那么预测错误的概率为top-5错误率。
top-1错误率
若对图像预测一次预测错误的概率为top-1错误率。
CIFAR-10/100数据集
CIFAR-10数据集 分辨率为32 ×\times× 32类别共10个类别数量共有60 000幅彩色图像。其中每个类别包含6 000幅图像。训练集包含50000幅彩色图像。测试集包含10 000幅彩色图像。图像取自10个类别每个类别分别取1 000幅。
CIFAR-100数据集
• 类别共100个类别 • 数量共60000幅图像。其中每个类别包含600幅图像 • 训练集每个类别有500幅 • 测试集每个类别有100幅
CIFAR-100中的100个类被分成20个大类别。每个图像都带有一个“精细”标签它所属的类和一个“粗糙”标签它所属的超类
SVHN数据集
该数据集用来检测和识别街景图像中的门牌号从大量街景图像的剪裁门牌号图像中收集包含600000幅小图像。 这些图像以两种格式呈现
一种是完整的数字即原始的分辨率可变的彩色门牌号图像每个图像包括检测到数字转录以及字符级的边界框。一种是剪裁数字图像的尺寸被调整为固定的32×3232 \times 3232×32像素。 SVHN数据集分为3个子集73 257幅图像用于训练26 032幅图像用于测试531 131幅难度稍小的图像作为额外的训练数据。 类别**10个类别数字19对应标签19而“0”的标签则为10** •训练集73257张图像 •测试集26032张图像 •数据集格式**带有字符级边界框的原始图像**。
评价标准
混淆矩阵
根据分类时预测与实际的情况做出如下表格。
https://mp.weixin.qq.com/s/kAEZP20U0iRikuVKzeSe3w
准确率
准确率 正确预测的正反例数/总数 ACC(TPTN)/(TPTNFPFN)(AD)/(ABCD)ACC (TP TN)/(TP TN FP FN) (A D)/(A B C D)ACC(TPTN)/(TPTNFPFN)(AD)/(ABCD)
误分类率
误分类率 错误预测的正反例数/总数 误分类率 1 - ACC
查准率
查准率、精确率 正确预测到的正例数/预测正例总数。
召回率
查全率、召回率 正确预测到正例数/实际正例总数
F1 score
精确率与召回的调和平均值。
应用场景
智能楼宇中根据人脸识别识别员工为本大楼员工时自动进行打卡自动按工作流程设定电梯。智能酒店中根据人脸识别办理自动入住根据会员等级自动对接专属服务等。电商行业中根据图像识别、搜索类似商品。教育行业中根据人脸特征记录学生的听课状态打盹、走神、小动作、举手等。交通行业中自动识别违规驾驶员新零售行业中根据人脸识别会员实现到店提醒、导购引导、定制化运营等公共交通中实现刷脸支付。游戏行业中虚拟现实相关游戏。
解决框架
图像分类解决框架如下 第一步
输入图像image
第二步
图像特征提取 方法1 传统算法手工提取特征 - HOG、SIFT等 方法2**深度学习自动提取特征- 卷神经网络CNN、自注意机制Transformer**等
第三步
分类器 方法1 机器学习-SVM随机树等。 方法2图片特征进行全连接层即MLP。 加上softmax
第四步
输出类别label) 、自注意机制Transformer**等
第三步
分类器 方法1 机器学习-SVM随机树等。 方法2图片特征进行全连接层即MLP。 加上softmax
第四步
输出类别label)
