图像分类的主要难点
共 2946字,需浏览 6分钟
·
2021-03-27 16:59
点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
图像分类是根据图像的类型(类别)为图像分配标签的过程。考虑我们有以下类别的图像:猫和狗因此,当我们将给定类别的图像提供给图像分类系统时,系统会根据类别为图像分配标签。例如,如果我们将下面给出的图像提供给“图像分类系统”。系统应为图像分配标签“ dog”。
图像分类的挑战:
1.类内变化
2.比例变化
3.视点变化
4.咬合
5.照明
6.背景杂波
类内差异是同一类图像之间的差异。类内变异的示例是在我们的数据集中具有多种类型的椅子。椅子可以是“办公椅”,“舒适椅”,“餐桌椅”,“装饰椅”等。
我们具有视点变化,相对于如何在图像中拍摄和捕获对象,可以在多个维度上定向/旋转对象。无论我们从哪个角度捕捉椅子的图像,它仍然是椅子。
我们要在图像中分类的许多对象无法完全查看。很大一部分隐藏在其他对象的后面。
这两个图像都属于同一杯,但是像素的强度级别有所不同。我们的图像分类系统应该能够处理光照的变化,因此当我们给图像分类系统提供相同物体的任何具有不同亮度(照度)的图片时,系统都应该能够为其分配相同的标签。
这意味着图像中有很多对象,对于观察者来说,找到特定对象非常困难。这些图像非常“嘈杂”。但是我们只对图像中的一个特定物体感兴趣;然而,由于所有的“噪音”,要挑出特定的物体并不容易。对于人类而言,这是一项非常艰巨的任务,因此请想象一下,对于没有图像语义理解的计算机而言,这是多么困难。
在某些情况下,即使图像中没有物体,例如,如果我们向图像分类系统显示仅冰的图像,系统也会将其标记为熊。这是因为图像分类系统在训练过程中已经学会了图像中的图案,并且有白熊和无熊的冰的图案非常相似。因此我们的图像分类系统应该能够解决背景混乱的问题。这就是图像分类系统所面临的挑战。
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~