website:CS231n: Convolutional Neural Networks for Visual Recognition
影像分類是電腦視覺的核心任務，但其中有許多障礙要克服
遇到的問題
Semantic Gap 語義鴻溝
- Semantic Gap指的是在不同系統中形成的結構造成差異
- 人眼傳送到大腦所看到的物體形成的過程!=攝影機傳送到電腦看到物體形成的過程
- 人眼看到的是物體是光線照射到物體，經過反射後部份光線射入我們的眼睛。人腦所想的通常是高階特徵ex:飛機、汽車、室內空間
- 在電腦中看到的數位影像是個三維tensor(R, G, B channel)。電腦主要觀察低階特徵ex:顏色分布、紋理(texture)
Viewpoint variation 視野角度變化
- 攝影機視野改變造成觀測結果產生變化
Background Clutter 非均值的背景
- 背景可能非常雜亂
Illumination 亮度的變化
- 不同的燈源，打光方式造成同一個物體不同成像結果
Occlusion 被遮蔽的物體
- 物體被遮擋一部分，但還是可以透過特徵來辨認出來
Deformation 物體形狀的變化
Intraclass variation 同類型的不同變化
沒辦法透過硬編碼的方式在這些問題下輕易的分類出貓咪
機器學習: 數據驅動方法
寫一個影像分類演算法與排序演算法非常不同，假設今天是要辨識一隻貓咪，我們必須考慮到貓咪的各種形狀、顏色等變化。
因此，與其透過硬編碼方式定義出複雜的經驗法則，不如透過給予很多數據來建立一個學習演算法。
流程：
- 收集數據集(影像與對應的類別標記)
- 機器學習演算法訓練分類器
- 使用分類器預測新讀進來的影像
Nearest Neighbor Classifier
Nearest Neighbor
- 比較兩影像之間的距離
L1距離公式:$d_1(I_1, I_2) = \sum_{p} |I^P_1 - I^P_2|$
$其中I_1, I_2 是影像,P是I_1, I_2像素點的索引$
這個距離公式就是逐點計算兩影像像素值差異的總和，加絕對值是為了避免正負號誤差加總後造成抵銷