图像分类项目
一、图像分类核心定义
图像分类的核心目标是将不同图像划分到对应类别标签，最终实现分类误差最小化。
二、图像分类的三层境界
根据分类粒度的不同，图像分类分为三个层级，从粗到细逐步递进：
- 通用多类别图像分类：针对大范围、粗分类别，例如 PPT 中提及的 10 类常见物体（飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船、卡车）。
- 子类细粒度图像分类：对 “通用类别” 进一步细分，聚焦同一大类下的不同子类别（PPT 中以图像示例，未明确文字类别，推测为如 “不同品种的狗”“不同型号的汽车” 等细分类场景）。
- 实例级图片分类：区分同一子类别下的不同个体实例（如 “同一只猫的不同照片”“同一台工业设备的不同角度图像”），分类粒度最细。
三、图像分类核心评估指标
评估指标是衡量模型分类效果的关键，PPT 重点讲解了基于 “混淆矩阵” 延伸的系列指标及可视化工具：
1. 混淆矩阵基础概念
混淆矩阵是评估分类结果的核心工具，定义了四类核心统计量：
- TP（True Positive，真正例）：将正类样本正确预测为正类的数量。
- FP（False Positive，假正例）：将反类样本错误预测为正类的数量。
- TN（True Negative，真反例）：将反类样本正确预测为反类的数量。
- FN（False Negative，假反例）：将正类样本错误预测为反类的数量。
2. 关键评估指标定义
| 指标名称 | 核心定义 | 计算逻辑（基于 TP/FP/TN/FN） |
|---|---|---|
| 精确率（Accuracy） | 模型整体分类精度，即 “识别正确的样本数占总样本数的比例”，是最常用的基础指标 | （TP+TN）/（TP+FP+TN+FN） |
| 准确率（Precision，查准率） | 模型预测为 “正类” 的样本中，真正为正类的比例（聚焦 “预测正类的准确性”） | TP /（TP+FP） |
| 召回率（Recall，查全率） | 所有真实正类样本中，被模型正确识别为正类的比例（聚焦 “正类的覆盖度”） | TP /（TP+FN） |
| F1-Score | 平衡 Precision 与 Recall 的指标，为两者的调和平均数（避免单一指标偏差） | 2×(Precision×Recall)/(Precision+Recall) |
3. P-R 曲线（Precision-Recall 曲线）
- 核心特点：召回率（Recall）提升时，精确率（Precision）通常会下降，呈反向变化趋势。
- 模型优劣判断：曲线与坐标轴围成的 “面积越大”，模型分类性能越好。
- 局限性：对 “正负样本不均衡” 场景敏感，此类场景下曲线参考价值降低。
4. 多类别分类的混淆矩阵
对于 k 分类问题（需区分 k 个类别），混淆矩阵为k×k 矩阵：
- 矩阵元素 Cij：表示第 i 类样本被模型预测为第 j 类的数量。
- 关键判断依据：主对角线元素之和为 “正确分类的样本总数”，其余元素之和为 “错误分类的样本总数”；主对角线元素值越大，模型整体分类准确率越高。
四、模型基本概念
PPT 聚焦 “网络深度” 与 “网络宽度” 两个核心属性，以经典 LeNet 网络为例进行说明：
网络的深度：
- 定义：深度学习模型的核心属性，指 “计算最长路径的卷积层 + 全连接层数量”。
- 示例：LeNet 网络的深度为 5 层，由 C1（卷积层 1）、C3（卷积层 3）、C5（卷积层 5）、F6（全连接层 6）、Output（输出层）组成。
网络的宽度：
- 定义：指 “每一层网络的通道数”，计算时以卷积网络层为基准。
- 示例：LeNet 网络中，C1 层通道数为 6，C3 层通道数为 16，即两层的宽度分别为 6 和 16。
五、样本量过少的问题与解决方案
样本量过少是图像分类（尤其工业产品、医疗领域）的常见难题，原因是 “样本获取难度大”，PPT 提供两类核心解决方案：
1. 迁移学习
- 核心逻辑：利用 “通用数据集预训练模型”（如 ImageNet 数据集，含海量通用图像），将预训练模型的参数作为基础，迁移到目标分类任务中。
- 优势：无需从零训练模型，可大幅加速模型收敛，提升小样本场景下的分类效果。
2. 数据增强
通过技术手段扩充样本数量，分为两类方法：
- 有监督方法：基于原始样本进行简单变换，不改变样本类别标签，包括平移、翻转、调整亮度 / 对比度、裁剪、缩放等。
- 无监督方法：通过生成式模型（如 GAN 网络，生成对抗网络）生成 “与原始样本分布一致的新样本”，再将生成样本用于模型训练，进一步扩充数据量。