1.圖像分類的挑戰(zhàn)：

• 視角變化（Viewpoint variation）：同一個物體，攝像機可以從多個角度來展現(xiàn)。
• 大小變化（Scale variation）：物體可視的大小通常是會變化的（不僅是在圖片中，在真實世界中大小也是變化的）。
• 形變（Deformation）：很多東西的形狀并非一成不變，會有很大變化。
• 遮擋（Occlusion）：目標物體可能被擋住。有時候只有物體的一小部分（可以小到幾個像素）是可見的。
• 光照條件（Illumination conditions）：在像素層面上，光照的影響非常大。
• 背景干擾（Background clutter）：物體可能混入背景之中，使之難以被辨認。
• 類內差異（Intra-class variation）：一類物體的個體之間的外形差異很大，比如椅子。這一類物體有許多不同的對象，每個都有自己的外形。

2.Nearest Neighbor 分類器和 K-Nearest Neighbor分類器的 原理公式 以及區(qū)別，聯(lián)系 KNN是尋找K個相似的圖片的標簽。分別投票，選出最相似的標簽。 L1 ?L2? 3.交叉驗證的到 htperparameter的原理： 數(shù)據(jù)只有1000個，我們分成5分，用其中4分訓練，剩下的一份來驗證，如此循環(huán)。 4.NN分類器的優(yōu)缺點 優(yōu)點：易于理解，實現(xiàn)簡單，測試耗費時間長。因為要與測試的每一張圖片進行比較。 將所有的數(shù)據(jù)都存儲起來，過于浪費資源。 5.基于 4的優(yōu)缺點，我們提出了使用Score function 和 Loss function 來進行圖像分類，將圖像分類變成一個最優(yōu)化問題，這是如何實現(xiàn)的？ 關鍵點 ：將圖像到標簽值的參數(shù)化映射，也就是 Score function ，一個線性得分函數(shù)： 6.小知識點:將權重和偏置參數(shù)合并的技術：

?

轉載于:https://www.cnblogs.com/xialuobo/p/5879172.html

總結

以上是生活随笔為你收集整理的自问自答 学习系列（1）：从图像分类，到损失函数，到神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。