计算机视觉学习之-Classification

Visual Recognition包括：Classification， Classification+Localization， Object Detection， Instance Segment。

Classification：一张图里面有这么一个物体，然后我们根据图片里面的这个物体来判断这张图片属于哪一个类；比如kaggle上有一个著名的猫狗大赛，判断这张图片里面的动物是猫还是狗。
Classification+Localization： 我们不但要判断出这张图片里面的物体，还要判断出这个物体在这张图片的什么地方。
Object Detection： 由于我们的图片中一般都包含不止一个物体，比如一张照片里面同时包含了人脸、猫脸、和狗脸，那我们就要用Object Detection来处理，Object Detection包括分类和定位。
Instance Segment：再深一步的话，其实是一个语义分割，Object Detection只是框出了一个大概位置，语义分割的话，就是把这个物体的轮廓抠出来，类似于美图秀秀里面的美拍，把人脸抠出来，美化之后再放回去。

接下来让我们认识一下 Classification：
首先是数据集：Mnist,， 被称为深度学习里面的helloWord， 比较主流的深度学习框架，都会提供这个数据集的借口。我们来看其中的一张图：

图片里面写了一个“1”， 这张图片是黑白的，并且我们把他正规化到0和1之间。
接下来，我们看一下对这张图片的分类依据：

这是一个非常简单的神经网络模型，我们把这一张图片以像素为单位拆解成一个特征向量，输入到神经网络中，然后输出一个预测的结果。因为数字0~9一共有10个，所以输出一共是一个长度10维的向量，预测这个数字是几，输出的结果中对应位就是1。
上边这个网络的识别率很高，可以达到百分之八十几，但是我们想一下，我们把一个二维的图片，展开成一个一维的向量，那会损失很多信息，所以在现在深度学习中，我们都用的是另外一种方法。这个方法是在2012年的imagenet脱颖而出的，叫convolutional neural network卷积神经网络，当然他并不是12年才提出的。接下来我们看一下什么是卷积神经网络：

输出和前面的神经网络一样，是一个概率，但是里面有Convolutional和pooling。
接下来我们看一下什么是convolution：

中间的3*3的小矩阵，叫卷积核，把卷积核在图片上滑动，重叠部分叫感受野filter。计算方法就是对应相乘再相加。
我们来看一个具体的例子：

左边的图片，经过中间的卷积核之后，提取到了左边的图片的边缘特征。不同的卷积核会提取不同的特征。
接下来我们再看一下Pooling & Relu:

Pooling: 我们一般采用最大池化max pool，就是提取一个2*2区域中最大的像素，也就是保留主要特征，减少网络当中的计算量，把主要信息保留出来。

Relu: 整流线型单元，是一个线性**函数。

卷积神经网络中的主要部分已经描述完了，现在让我们开始深入了解各种经典网络吧！

AlexNet：
Alex在2012年提出的alexnet网络结构模型引爆了神经网络的应用热潮，并赢得了2012届图像识别大赛的冠军，使得CNN成为在图像分类上的核心算法模型。

结构
AlexNet有5个卷积层和3个全连接层

这个网络前面5层是卷积层，后面三层是全连接层，最终softmax输出是1000类。AlexNet使用ReLU代替了传统的**函数。

VGG16( Visual Geometry Group )(16的意思是16层):

结构
一共有16层网络，其中13层卷积层，3层全连接层。最终softmax输出是1000类。