图像分类杂谈
1 数据集和经典网络的交响曲
深度学习作为数据驱动的工具，需要大量优质的数据集才可以展开相应的工作，总结了现阶段图像分类各个领域的数据，并指出其适用的分类任务，为各位读者展开相应的工作，提供了指南针。
同时，对经典的图像分类网络进行了总结，详细介绍了图像分类发展史上的重大突破和典型的设计思想。
类别不平衡
标签噪声
在数据集制作过程中，由于主观、客观的原因，会导致标签噪声的出现，其存在会对最终的分类模型性能造成一定的影响。因此，在实际应用过程中，总是要对现有的数据集进行清洗，以避免标签噪声的干扰。
对抗攻击
基于深度学习的图像分类网络，大多是在精心制作的数据集下进行训练，并完成相应的部署，对于数据集之外的图像或稍加改造的图像，网络的识别能力往往会受到一定的影响。
在愈发重视安全信息的今天，如何提升网络模型对噪声、干扰等对抗样本的鲁棒性，是图像分类的进一步研究目标。