【第五章:计算机视觉-项目实战之图像分类实战】1.经典卷积神经网络模型Backbone与图像-(8)多标签图像分类理论
第五章：计算机视觉（Computer Vision）- 项目实战之图像分类
第一部分：经典卷积神经网络模型 Backbone 与图像
第八节：多标签图像分类理论
1. 多标签图像分类简介
在传统的图像分类任务中，我们通常假设每张图片只属于一个类别（如“猫”或“狗”）。这种任务称为 单标签分类（Single-Label Classification）。
然而在许多实际应用场景中，一张图片往往会同时包含多个语义概念或对象。例如：
一张街景图像可能同时包含“行人”“汽车”“建筑”“交通灯”等多个类别。
一张自然风景图像可能同时被标注为“森林”“湖泊”“蓝天”。
这种任务被称为 多标签分类（Multi-Label Classification）。区别在于：
单标签分类：模型预测的类别是 互斥的（只能选一个）。
多标签分类：模型预测的类别是 非互斥的（可以选多个）。
2. 多标签分类与单标签分类的区别
| 特征 | 单标签分类 | 多标签分类 |
|---|---|---|
| 输出空间 | Softmax 概率分布（总和为 1） | 独立的 Sigmoid 概率（每类独立 0~1） |
| 标签形式 | 独热编码（One-hot，例如 [0,0,1,0]） | 多热编码（Multi-hot，例如 [1,0,1,1]） |
| 任务场景 | 猫 vs 狗 vs 马（互斥） | 图像中同时有猫和狗（非互斥） |
| 损失函数 | 交叉熵损失（Cross Entropy Loss） | 二进制交叉熵损失（Binary Cross Entropy, BCE） |
3. 多标签分类的数学建模
假设数据集有 C 个类别：
单标签分类输出：
多标签分类输出：
其中，向量 ，若第 i 个类别存在，则
，否则
。
模型输出层通常采用 Sigmoid 激活函数：
训练时使用 二进制交叉熵损失（BCE Loss）：
4. 多标签分类的评估指标
由于多标签分类涉及多个类别，评价指标比单标签更复杂，常见的指标包括：
准确率（Accuracy）
严格标准：所有标签完全预测正确才算对。
缺点：过于严格，实际应用中不常用。
精确率（Precision）、召回率（Recall）、F1-score
按类别统计：
F1-score 为两者的调和平均，更平衡。
mAP（mean Average Precision）
多标签分类中常用，衡量不同类别下的平均精度。
5. 多标签分类的挑战
类别相关性：不同标签之间可能存在逻辑关系（如“雨伞”和“雨天”常共现），但传统独立 Sigmoid 预测忽略了这种关系。
类别不平衡：部分标签出现频率高（如“天空”），部分标签极少出现（如“彩虹”）。
阈值选择：Sigmoid 输出概率需要设定阈值（如 0.5）来决定是否判为该类，不同类别阈值可能不同。
6. 多标签分类的应用场景
自动图像标注（如相册自动生成标签：人物、风景、美食等）
视频内容理解（多标签描述场景和动作）
医学图像分析（一张 CT 扫描图像可能有多个病灶）
自动驾驶（同一帧画面中检测车道线、红绿灯、行人等）
小结
多标签分类允许一张图片同时属于多个类别，区别于单标签分类。
模型输出层通常用 Sigmoid，损失函数用 BCE Loss。
常用评估指标包括 Precision、Recall、F1 和 mAP。
在实际应用中，标签相关性和类别不平衡是主要挑战。