第二节课-Data-driven approach:KNN和线性分类器分类图片

2017-08-12

1.图片分类是很多CV任务的基础；

2.图片分类要面临很多的问题，比如图片被遮挡，同一种动物有很多种颜色，形状等等，算法需要足够强壮；

3.所以很难直接写出程序来进行图片分类，常用的方法是数据的驱动的方法：

4.KNN: 重点在于选取K的数值，可以采取交叉验证的方式，找到最佳的K值；

同时，距离的表示也有集中方法，比如欧氏距离，曼哈顿距离：

5.然后从KNN出发， 讲了通用的函数模型，即把一张图片映射为几个类别的可能数值得分，最高的就是图片所属的类别：

备注：这里的X是一个3072维度的向量，函数F就是把3072维度映射成10维度的函数，10代表最后可能的类别有10种；当然，有时候需要考虑偏移量b，bias；

例子：

6.下次就要集中在损失函数loss function, 还有优化过程，即找到使得损失函数最小的 参数值 W， 最后扩展到其他的分类器， 神经网络， 卷积神经网络；