-
2021-08-11 10:03:27
OpenCV的图像分类基础知识
这篇博客将提供一个高级概述的图像分类,以及许多挑战的图像分类算法,还将审查与图像分类和机器学习相关的三种不同类型的学习。
最后,将通过讨论培训深度学习网络的四个步骤来讨论图像分类的四个步骤以及该四步管道如何与传统的手工特征提取管道进行比较。
1. 原理
图像分类是一项非常大的研究领域,包括各种各样的技术 - 以及深度学习的普及,它正在继续增长。
图像分类和图像理解目前(并且将继续)是未来十年最受欢迎的计算机愿景子领域。将来将看到谷歌,微软,百度等公司,开启了解图像的征程。将在智能手机上看到越来越多的消费者应用程序,可以理解和解释图像的内容。甚至可能使用计算机视觉算法自动引导的无人驾驶飞机。
2 什么是图像分类?
图像分类是将标签从预定义的类别集分配给图像的任务。这意味着目标是分析输入图像并返回对图像分类的标签。标签始终来自预定义的可能类别。
即给定分别具有红色、绿色和蓝色三个通道的 W×H 像素的输入图像,目标是采用 W×H×3 = N 像素的图像并找出如何正确分类的内容图片。
- 数据集:图像的集合
- 数据点:每一张图像
- 语义差距/鸿沟:如何感知图像与如何表示图像(数字矩阵)之间的差异称为语义差距。语义鸿沟是人类如何感知图像内容与如何以计算机可以理解的方式表示图像之间的差异。
如何以计算机可以理解的方式对所有这些信息进行编码?
答案是应用特征提取来量化图像的内容。特征提取是获取输入图像、应用算法并获得量化图像的特征向量(即数字列表)的过程。
可以考虑如 HOG、LBPS 或其他“传统”方法来进行图像量化。本书采用的另一种方法是应用深度学习来自动学习一组特征,这些特征可用于量化并最终标记图像本身的内容。在开发图像分类系统时,需要了解对象在不同视点、光照条件、遮挡、规模比例、扭曲变形、类内变化(种类的多样性)、背景杂波(一个物体位于嘈杂的背景中)等下的表现方式。 情况远比这个复杂,在某一点上模型不具有鲁棒性,而大多数时候需要组合考虑多个因素;
识别整个厨房的物体可能比较困难,但如果将问题框定起来并缩小范围,例如“只想识别炉灶和冰箱”,那么系统就更有可能准确且正常运行,尤其是第一次使用图像分类和深度学习。
图像分类:关键要点是始终考虑图像分类器的范围。虽然深度学习和卷积神经网络在各种挑战下表现出显着的稳健性和分类能力,但仍然应该尽可能地保持项目范围的紧凑和明确。
ImageNet 是图像分类算法事实上的标准基准数据集,由在日常生活中遇到的 1,000 个对象组成——研究人员仍在积极使用该数据集,试图向前推动最先进的深度学习。
深度学习不是魔术。相反,深度学习就像车库里的卷轴锯——正确使用时强大而有用,但如果使用不当,则很危险。3. 图像分类算法
机器学习和深度学习分类:监督学习、无监督学习和半监督学习。
-
监督学习(Supervised Learning)
监督学习的一个典型例子是垃圾邮件过滤系统,可以自动将电子邮件分类为垃圾邮件或非垃圾邮件。
首先需要一个由电子邮件本身及其类别标签(垃圾邮件或非垃圾邮件)组成的训练集。有了这些数据,就可以分析电子邮件中的文本(即单词的分布),并利用垃圾邮件/非垃圾邮件标签来教机器学习分类器哪些单词出现在垃圾邮件中,哪些没有。
监督学习可以说是最著名和研究最多的机器学习类型。给定训练数据,通过训练过程创建模型(或“分类器”),其中对输入数据进行预测,然后在预测错误时进行纠正。这个训练过程一直持续到模型达到某个期望的停止标准,例如低错误率或最大训练迭代次数。
常见的监督学习算法包括逻辑回归、支持向量机 (SVM)、随机森林和人工神经网络。
为了解释监督学习、无监督学习和半监督学习之间的差异,我选择使用基于特征的方法(即 RGB 颜色通道的均值和标准差)来量化图像的内容。**当开始使用卷积神经网络时,实际上会跳过特征提取步骤并使用原始像素强度本身。**由于图像可能是大型 MxN 矩阵(因此不能很好地适应这个电子表格/表格示例),我使用特征提取过程来帮助可视化学习类型之间的差异。
-
非监督学习(Unsupervised Learning)
与监督学习相反,无监督学习(也称为自学学习)没有与输入数据相关联的标签,因此如果模型做出错误预测就无法纠正模型。将监督学习问题转换为无监督学习问题就像删除“标签”列一样简单。
无监督学习有时被认为是机器学习和图像分类的“圣杯”。由于互联网上有大量未标记的数据可用。如果可以让算法从未标记的数据中学习模式,那么就不必花费大量时间(和金钱)为监督任务费力地标记图像。
用于无监督学习的经典机器学习算法包括主成分分析 (PCA Principal Component Analysis) 和 k 均值聚类。具体到神经网络,我们看到自动编码器(AutoEncoders)、自组织映射 (SOM Self Organizing Maps) 和自适应共振理论( Adaptive Resonance Theory)应用于无监督学习。无监督学习是一个非常活跃的研究领域。
-
半监督学习(Semin Supervised Learning)
如果只有一些与数据相关的标签,而没有其他标签,会发生什么?有没有一种方法可以应用一些监督和非监督学习的混合,并且仍然能够对每个数据点进行分类?事实证明答案是肯定的——半监督学习。
半监督学习算法将获取已知的数据片段,对其进行分析,并尝试标记每个未标记的数据点以用作额外的训练数据。随着半监督算法学习数据的“结构”以做出更准确的预测并生成更可靠的训练数据,此过程可以重复多次迭代。
在执行半监督学习时,只有图像/特征向量子集的标签,并且必须尝试标记其他数据点以将它们用作额外的训练数据。
半监督学习在计算机视觉中特别有用,因为在训练集中标记每个图像通常是耗时、乏味和昂贵的(至少在工时方面)。如果根本没有时间或资源来标记每个单独的图像,只能标记数据的一小部分,并利用半监督学习对其余图像进行标记和分类。
半监督学习算法通常用较小的标记输入数据集来换取分类准确度的一些可容忍的降低。通常,监督学习算法的标记训练越准确,它可以做出的预测就越准确(对于深度学习算法尤其如此)。
随着训练数据量的减少,准确性不可避免地受到影响。半监督学习考虑了准确性和数据量之间的这种关系,并试图将分类准确性保持在可容忍的范围内,同时显著减少构建模型所需的训练数据量——最终结果是一个准确的分类器(但通常不是准确作为监督分类器),半监督学习的流行选择包括标签传播、标签传播、阶梯网络和协同学习/协同训练(label spreading, label propagation, ladder networks, and co-learning/co-training)。
参考
更多相关内容 -
面向对象的遥感图像分类方法研究 (2006年)
2021-05-09 15:28:34影响遥感图像分类效果的主要因素之一是空间分辨率。通过融合多分辨率遥感图像,引入面向对象的思想,有效地克服了多光谱图像空间分辨率低的问题。该方法由图像分割和分类等一系列技术组成,首先用基于区域分割法则对... -
基于特征融合方法的高光谱图像分类综述
2021-03-02 11:35:32受到观测噪声、目标区域大小及端元易变性等因素的影响,使得高光谱图像的分类仍然面临诸多挑战。随着人工智能和信息处理技术的不断进步,高光谱图像分类已成为遥感领域的一个热点问题。首先对基于特征融合的高光谱图像... -
机器学习:关于图像分类识别的一些思考
2019-04-26 19:31:18在计算机视觉领域,图像的分类识别,可以说是最基础,最常见的一个问题,从之前的手动特征提取结合传统的分类模型,到如今的深度学习,虽然分类识别领域的各个数据库的识别率在不断被刷新,从常见物体识别,到细粒度...在计算机视觉领域,图像的分类识别,可以说是最基础,最常见的一个问题,从之前的手动特征提取结合传统的分类模型,到如今的深度学习,虽然分类识别领域的各个数据库的识别率在不断被刷新,从常见物体识别,到细粒度物体识别,到人脸识别,似乎各个细分的图像识别领域都在取得不断进步,每次伴随着这些进步,就会有意无意地激起人们对 AI 的遐想和恐慌。
不得不说,CV 发展了这么多年,确实在不断地进步,不过冷静下来细想,除了各个数据库的指标被不断刷新,似乎最本质的问题,依然没有解决,CNN 在 ImageNet 上的成功,虽然让很多人看到了 AI 在图像分类识别领域的突破,但是,最后还是遇到了瓶颈,当下的分类识别研究,比起十几二十年前,确实有了长足的进步,可是,困难依然重重。
影响图像分类识别的因素有很多,最常见的就是光照,形变,尺度;还有就是遮挡,模糊等,这都是一般的因素。如下图所示:
还有一大类的因素就是同一类别的东西,形态各异,比如下面的 chair 这个类别,所有的图片都可以被认为是 chair,但是要让分类模型去识别这些,可能真的很难,这类问题可以归结为类内差异太大:最后还有比较常见的就是细粒度分类,就是可能都属于一个大类,但是细分下来,就存在细微的差异,细粒度分类也是图像分类识别里的一个分支,比较常见的分类就是对 狗,鸟,以及飞机的各种型号的分类,这类问题就是类间差异太小。
所以总的来说,影响分类识别的因素可以归结为三个方面:
- 第一种因素,就是比较常见的基于图像本身的一些因素,比如光照,形变,尺度,模糊等等。
- 第二种因素,就是类内差异太大,比如椅子,桌子,虽然都叫椅子,桌子,可是形态各异。
- 第三种因素,就是类间差异太小,最常见的就是细粒度分类。
第一种因素,可以说是所有分类识别问题都会经常遇到的,这是因为真实环境就是各种各样的;第二种因素,很多时候都是因为类别定义的问题,人类有的时候,分类并不是基于物体的形状或者样子,而是基于功能,这种基于功能的抽象的类别定义,让分类模型对分类对象的理解更加困难;第三种因素,是属于细粒度分类的问题。对于后面两种因素,我们这里不做讨论,我们只讨论第一种因素对分类识别的影响。
我们考虑最常见的分类情况,比如对常见交通工具以及各种常见动物的分类等等,真实的自然场景总是复杂多变的,光线有强有弱,形状也会有各种变化,因为换个视角观察,同一个物体呈现在图像上的形状也发生了变化,尺度有大有小,因为拍摄的远近距离不同,同一个物体呈现在图像上的大小也会不同,更不用说模糊,遮挡等因素,所以真实的场景就是包含了各种可能。
我们再来回想一下,分类识别模型的训练及预测, 一般来说,就是给定一个训练集,我们在这个训练集上训练了一个模型,然后将这个模型用在测试集上进行预测,计算出一个准确率,然后就宣称自己的模型可以在这个测试集上达到多少多少的准确率。相信经常看 paper 的人就会发现,这是一个非常似曾相识的套路。
其实,很多模型,换一个数据集,哪怕还是同样的类别,性能立马就会大打折扣,这个对于人类来说,会觉得不可思议,还是同样的狗,为什么换几张图,狗就不是狗了,而是猫或者其他什么匪夷所思的东西,所以说,模型在某些方面的 “聪明” 和 “愚蠢” 经常是同时存在的。
模型的不稳定,或者不够 robust,是目前分类识别中最常遇到的问题,我们经常会看到,对某张图稍微修改几个像素的值,这张图在模型眼里就已经千差万别了。人类的视觉感知,相对来说,会稳定的多。
如果仔细分析,就会发现,分类本质上还是一个 mapping 的过程,从高维的图像空间映射到高维的特征空间,然后再映射到标签空间,网络经过一系列复杂的映射,将同一类的图像聚集到一起。
在真实的自然世界中,同一类的图像,在特征空间往往很难最终聚成某一个点,而是会散布在某个高维空间的某个区域里,而不同类的图像,形成不同的区域,彼此理论上应该是没有混叠的,所以我们会说类内距离和类间距离的概念。类内距离要尽可能的小,类间距离要尽可能的大,所以网络的学习过程,其实就是一个对图像特征重新进行分布的过程。
虽然我们希望所有的图像,都能够在高维空间分开,但是实际上,不同类的区域之间多少总会有重叠,这就造成了我们看到有些图像总是会被分错,因为在特征空间,这些图像的特征已经是混在一起了。
所以说,图像分类问题,本质上还是一个数据拟合的过程,而在真实世界里,自然图像不可能会完美地在高维空间里形成一个个彼此没有混叠的区域,所以总是会有被分错的情况。我们寻找的是错误率最低的那个分界面。
而人类的视觉感知,比 CNN 这些模型要鲁棒的多,因为人类的视觉感知,不是简单的一个函数映射,而是经过了漫长的进化演化而来的,融合了目标检测,背景过滤,联想,决策,推理等等各种因素,交织在一起的一个非常精细的智能系统。不是一个简单的 CNN 网络就能轻易替代的,目前的分类模型,可能会在某个非常细化的领域,识别水平会表现很好,可是这些分类模型都很 “单一”,无法将这种认知能力迁移到其他的地方。
-
基于综合特征的Bp_adaboost工业仪表图像分类方法 (2013年)
2021-04-27 22:37:09针对工业场景图像背景复杂,受多种因素影响、利用单个特征完成工业仪表图像分类不能达到满意效果的问题,提出了一种综合利用图像的颜色和纹理特征,通过Bp_adaboost的方法对工业仪表图像进行分类的方法。首先基于HSV... -
影响图像/视频效果的几个因素 ——图像优化的点
2017-08-28 10:58:48今天大嘴总结一下,影响图像以及视频效果的主要因素,这里只讲一些特殊的,什么噪点干扰之类的简单问题这里就不介绍了。 1) 彩色畸变 来自同一场景点的不同的波长的光,由于折射率不同,经过镜头透镜时很可能...http://blog.sina.com.cn/s/blog_ebbe6d790101dawp.html
今天大嘴总结一下,影响图像以及视频效果的主要因素,这里只讲一些特殊的,什么噪点干扰之类的简单问题这里就不介绍了。
1) 彩色畸变
来自同一场景点的不同的波长的光,由于折射率不同,经过镜头透镜时很可能落在不同的位置。
一般是抵挡镜头镜头(改变光路)、透明防护罩的老化都会出现彩色畸变的问题。
大嘴建议:选择镜头时尽量选择远心镜头(以后我会详细介绍)、防护罩尽量选择质量好的光学玻璃
2) 几何畸变(geometric distortion)
很多低档和小焦距镜头都会引起不同程度畸变。
著名的桶状畸变如下图:
建议:满足需要的情况下尽量选择标准镜头(正常拍摄没必要选择小焦距镜头吧,极限情况当然是“鱼眼镜头”)
3) 散射(scattering)
散射是复合光通过某介质发生分离而形成不同复合光或单色光。
雾天条件下,空气中含有大量的悬浮粒子,由于这些粒子对光线的散射作用,获得的图像对比度比较低,图像模糊不清。
解决方法:加偏振片(大嘴以后会专门介绍偏振片)
4) 光晕
简单的说就是那种就是在前景和背景交界的边缘处的那种朦胧又半透明的效果。
一般是由于CCD每个感光元无法做到绝缘,一个感光源上的电荷会泄漏到相邻的感光源上这种电荷泄露反应在图像上就是会形成光晕。
一时之间未找到由于光晕导致图像模糊的图片,下面这张是在灯光周围产生的光晕现象(大家将就看吧,哇哈哈)
大嘴评述:一般消除光晕效果的常用算法是:retinex(以后作为一个专题来介绍)
5) 感光芯片的差异
拿CCD举例(当然还有CMOS的),由于制造的问题,不同厂家制造的CCD感光元有着不同的感光效果,比如众所周知索尼的CCD一般好于夏普的。
6) 视频编解码中的量化效应/块效应
"块效应" 在学术文献中的解释:基于块的变换编码在图像压缩编码中得到广泛应用,随着码率的降低,量化变得粗糙,(由于块被独立处理)在块的边界会出现不连续,形成重建图像的明显缺陷,称为块效应。
为了减少块效应, 在视频编解码标准中, 通常会增加去块效应的模块. 去块效应有两种方法: 环内去块效应和环外去块效应. 在Mpeg-4, H.264, VC-1等视频标准中采用环内滤波去除块效应. 而Mpeg-1, Mpeg-2, Jpeg等标准则没有定义环内去块效应模块.
7) 隔行转逐行时(未去隔行时)的拉丝效果
将视频帧中隔行扫描的场组合起来,从而使视频帧的各行在播放时按顺序显示即隔行转逐行。组合时,如果未经过去隔行/去交错(deinterlace)会出现拉丝和扭曲效果,影响视频质量。
解决办法:采用相应去去隔行算法(以后具体介绍常用算法)
8) 光线影响
这个自不必多说,解决方法很多:如亮度调整、对比度、白平衡、加滤光片等等。
-
遥感图像分类技术
2019-06-05 21:01:54什么是遥感图像分类技术? 图像分类是将土地覆盖类别分配给像素的过程。例如,这9个全球土地覆盖数据集将图像分为森林、城市、农业和其他类别。 https://gisgeography.com/free-global-land-cover-land-use-data/ ...什么是遥感图像分类技术?
图像分类是将土地覆盖类别分配给像素的过程。例如,这9个全球土地覆盖数据集将图像分为森林、城市、农业和其他类别。
https://gisgeography.com/free-global-land-cover-land-use-data/
一般来说,这是遥感中的三种主要图像分类技术:
无监督图像分类
监督图像分类
基于对象的图像分析
无监督和监督图像分类技术是两种最常见的方法。https://gisgeography.com/supervised-unsupervised-classification-arcgis/然而,基于对象的分类最近被使用得更多,因为它对高分辨率数据很有用。https://gisgeography.com/obia-object-based-image-analysis-geobia/
15个免费卫星图像数据源 https://gisgeography.com/free-satellite-imagery-data-list/
无监督分类
在无监督分类中,它首先根据像素的属性将其分组为“簇”。为了创建“聚类”,分析人员使用图像聚类算法,如k-means和isodata。在大多数情况下,他们可以使用这个免费的遥感软件列表来创建土地覆盖图。
https://gisgeography.com/open-source-remote-sensing-software-packages/
在选择了一个聚类算法之后,您可以确定要生成的组的数量。例如,可以创建8个、20个或42个集群。清楚地说,这些是未分类的集群,因为在下一步中,您将用土地覆盖类手动标识每个集群。例如,如果要将植被和非植被分类,则必须将集群合并为两个集群。
总的来说,无监督分类是最基本的技术。因为您不需要样本来进行无监督分类,所以这是一种简单的分割和理解图像的方法。先生成群、簇,然后分类。
监督分类
在监督分类中,为每个土地覆盖类别选择代表性样本。然后,软件使用这些“训练站点”,并将它们应用到整个图像。
监督分类使用训练集中定义的光谱特征。例如,它根据培训集中最相似的内容来确定每类别。常用的监督分类算法有极大似然分类和最小距离分类。选择训练区域->生成标签文件->分类
https://gisgeography.com/supervised-unsupervised-classification-arcgis/
基于对象(或面向对象)的图像分析分类
监督和非监督分类是基于像素的。换句话说,它创建正方形像素,每个像素都有一个类。但是基于对象的图像分类将像素分为具有代表性的形状和大小。这一过程是多分辨率分割或段均值偏移。
多分辨率分割通过像素分组产生均匀的图像对象。它同时生成图像中具有不同比例的对象。这些对象更有意义,因为它们代表图像中的特征。基于对象的图像分析(OBIA)分割是一个将相似像素分组为对象的过程。 但最重要的是,您可以根据纹理、上下文和几何体对对象进行分类。
OBIA分类使用物体的形状、大小和光谱特性对每一个物体进行分类。 在obia中,您可以使用多个条带来创建对象,然后对它们进行分类。例如,obia可以使用红外线、仰角或形状文件对每个对象进行分类。此外,层之间可以有上下文。例如,对象在相邻对象之间具有邻近关系和距离关系。
最近邻分类与监督分类相似。在多分辨率分割之后,用户为每个土地覆盖类别识别样本站点。接下来,他们定义统计信息来对图像对象进行分类。最后,最近邻根据对象与训练站点的相似性和定义的统计信息对对象进行分类。https://gisgeography.com/nearest-neighbor-classification-guide-ecognition/
执行多分辨率分割->选择训练区域->定义统计信息->分类
https://gisgeography.com/nearest-neighbor-classification-guide-ecognition/
遥感数据趋势
- 更普遍
- 更高的空间分辨率
- 更宽的频率范围
为了满足需求,卫星图像的目标是在更宽的频率范围内获得更高的空间分辨率。但是高分辨率的图像不能保证更好的土地覆盖。所使用的图像分类技术是提高精度的一个非常重要的因素。
https://gisgeography.com/100-earth-remote-sensing-applications-uses/
图像分类技术的选择
假设你想在高空间分辨率的图像中对水进行分类。
您决定选择该图像中具有低ndvi的所有像素。但这也可能导致图像中其他非水像素的错误分类。因此,基于像素的分类(如无监督和监督的分类)提供了一种盐和胡椒的外观。
https://gisgeography.com/how-to-ndvi-maps-arcgis/
人类自然地将空间信息聚集成群体。多分辨率分割通过将同质像素分组为对象来完成这项任务。水特征在多分辨率分割后很容易识别。这就是人类形象化空间特征的方式。
什么时候应该使用基于像素的分类(无监督和监督分类)?
什么时候应该使用基于对象的分类?
空间分辨率:低中高 如本文所述http://www.sciencedirect.com/science/article/pii/S0924271609000884,在选择图像分类技术时,空间分辨率是一个重要因素。
在空间分辨率较低的情况下,传统的基于像素和基于对象的图像分类技术都表现良好。
但是当你有高空间分辨率时,obia优于传统的基于像素的分类。
无监督vs有监督vs基于对象的分类
阿肯色大学的一个案例研究比较了基于对象和基于像素的分类。目的是比较高分辨率和中分辨率图像。http://www.isprs.org/proceedings/xxxviii/4-c7/pdf/Weih_81.pdf
总体而言,基于对象的分类优于无监督和有监督的基于像素的分类方法。因为obia同时使用了光谱和上下文信息,所以它具有更高的准确性。这项研究是一个很好的例子,说明了基于像素的图像分类技术的一些局限性。https://gisgeography.com/free-global-land-cover-land-use-data/
基于对象分类研究的增长
像素是图像中表示的最小单位。图像分类使用单个像素的反射统计信息。
在技术进步和高空间分辨率图像的可用性方面,已经有了很大的增长。但是图像分类技术也应该被考虑在内。聚焦于基于对象的图像分析,以提供高质量的产品。
根据谷歌学者的搜索结果,所有的图像分类技术都显示出出版物数量的稳步增长。近年来,基于对象的分类方法有了很大的发展。
此图使用“alliantile:”搜索短语显示谷歌学者的年度搜索结果。出版物中图像分类技术的发展 如果您喜欢这本图像分类技术指南,我建议您下载遥感图像分类信息图。
原文链接:https://gisgeography.com/image-classification-techniques-remote-sensing/
References:
1. Blaschke T, 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing 65 (2010) 2–16
2. Object-Based Classification vs Pixel-Based Classification: Comparitive Importance of Multi-Resolution Imagery (Robert C. Weih, Jr. and Norman D. Riggan, Jr.)
3. Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation (Martin Baatz & Arno Schape)
4. Trimble eCognition Developer: http://www.ecognition.com -
【图像分类】 关于图像分类中类别不平衡那些事
2019-08-22 11:19:10欢迎大家来到图像分类专栏,类别不平衡时是很常见的问题,本文介绍了类别不平衡图像分类算法的发展现状,供大家参考学习。作者&编辑 | 郭冰洋 1 简介小伙伴们在利用... -
第4章 图像分类(image classification)基础
2020-12-10 20:45:09第4章 图像分类基础一张图片胜过千言万语。我们不断地攫取视觉内容,解释它的含义,并且存储它们以备后用。但是,对于计算机要解释一张图片的内容是很难的,因为计算机看到的图片是一个大的数字矩阵,它对图像传递的... -
图像分类基本流程及 KNN 分类器
2018-09-07 16:14:061. 图像分类以及基本流程 1.1 什么是图像分类 所谓图像分类问题,就是已有固定的分类标签集合,然后对于输入的图像,从分类标签集合中找出一个分类标签,最后把分类标签分配给该输入图像。虽然看起来挺简单的... -
遥感图像分类
2019-01-28 21:36:02遥感图像分类 一、背景简介 遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析,选择特征,将图像中各个像元按照某种规则或算法划分不同的类别,然后获得遥感图像中与实际地物的... -
影响SAR图像电磁散射特性的因素
2022-04-17 20:47:241、不同地物目标、位置、地物结构、表面形态、介电性能,对雷达波束(电磁波束)的反应不同。不同雷达波段、极化方式、入射角也会使地物在图像上形成不同的色调和纹理。 -
细粒度图像分类研究综述
2018-05-23 16:35:46细粒度图像分类问题是计算机视觉领域一项极具挑战的研究课题, 其目标是对子类进行识别,如区分不同种类的鸟。由于子类别间细微的类间差异和较大的类内差异, 传统的分类算法不得不依赖于大量的人工标注信息。近年来, ... -
细粒度图像分类(FGVC)---综述
2019-04-28 16:28:02什么是细粒度图像分类 细粒度图像分类问题是对大类下的子类进行识别。细粒度图像分析任务相对通用图像(General/Generic Images)任务的区别和难点在于其图像所属类别的粒度更为精细。 以图1为例,通用图像分类其... -
【图像分类】简述无监督图像分类发展现状
2019-08-17 11:50:39无监督图像分类问题是图像分类领域一项极具挑战的研究课题,本文介绍了无监督图像分类算法的发展现状,供大家参考学习。作者 | 郭冰洋编辑 | 言有三 1 简介近年来,深度学... -
图像分类效果不好原因分析
2019-04-19 17:57:35逐个查看测试集上分错的样本,找出模型难以分类的图片类型和难以区分的图片类别,比如:某些类别的子类,某些特殊的拍摄角度。增加这些子类对应的训练样本。同时发现输入数据集的问题:错误标记、低质量、歧义的图片... -
图像分类
2018-01-21 15:31:47图像物体分类与检测算法综述 转自《计算机学报》 目录 图像物体分类与检测算法综述 目录 图像物体分类与检测概述 物体分类与检测的难点与挑战 物体分类与检测数据库 物体分类与检测发展历程 ... -
深度学习与图像分类
2020-11-07 11:10:14特征:#每一个卷积核的channel与输入特征层的channel相同(例如:5*5的RGB图像有3个输入层,每个卷积核也应该有三个channel与之分别对应),该卷积核的各个channel分别和对应channel的输入层卷积,然后再求和得到一... -
Pytorch使用预训练模型进行图像分类
2021-11-27 19:14:03在本文中,我们将介绍一些使用预训练网络的实际例子,这些网络出现在TorchVision模块的图像分类中。 Torchvision包包括流行的数据集,模型体系结构,和通用的图像转换为计算机视觉。基本上,如果你进入计算机视觉... -
图像分类常见问题汇总(二)
2020-11-09 08:47:36图像分类30个问题 基础知识 Q: 图像分类领域常用的分类指标有几种 A: 对于单个标签的图像分类问题(仅包含1个类别与背景),评估指标主要有Accuracy,Precision,Recall,F-score等,令TP(True Positive)表示... -
【遥感数字图像处理】实验:遥感影像分类(监督、非监督分类)完整流程(Erdas版)
2020-03-17 21:09:02实验目的: 理解计算机图像分类的基本原理,掌握数字图像非监督分类以及监督分类的具体方法和过程,以及两种分类方法的区别。 二.实验平台:ERDAS IMAGINE 9.1 三.实验要求:掌握非监督分类;非监督分类结果评价;... -
图像分类:CVPR2020论文解读
2020-03-25 11:30:27图像分类:CVPR2020论文解读 Towards Robust Image Classification Using Sequential Attention Models 论文链接:https://arxiv.org/pdf/1912.02184.pdf 摘要 在这篇文章中,我们提出用一个受人类感知启发的注意力... -
最先进的图像分类算法:FixEfficientNet-L2
2021-12-23 01:21:27结论 这两种技术的结合使得目前最好的图像分类算法远远领先于 EfficientNet Noisy Student,它在效率和准确性方面都是当前领先的算法。由于其前五名的准确度为 98.7%,因此仍有改进的可能,但它已经相当准确了。... -
高光谱图像植被类型的CA R T决策树分类 (2013年)
2021-04-27 22:58:08为提高植被分类的精度,在利用高光谱图像提取植被信息时需要考虑训练样本和地形等其他因素的影响。以长白山为研究背景,基于CART(Classification And Regression Tree)算法构建决策树模型,对高光谱图像进行植被分类。... -
如何提高图像分类准确率?
2018-02-08 06:04:27一、问题描述当我们在处理图像识别或者图像分类或者其他机器学习任务的时候,我们总是迷茫于做出哪些改进能够提升模型的性能(识别率、分类准确率)。。。或者说我们在漫长而苦恼的调参过程中到底调的是哪些参数。。... -
Resnet18-迁移学习——CIFAR-10图像分类
2022-01-06 22:41:50特征提取:可以在预先训练好的网络结构后,添加或者修改一个简单的分类器,将源任务上预先训练好的网络模型作为另一个目标任务的特征提取器,只对最后增加的分类器参数进行重新学习,而预先训练好的参数,不会被修改... -
转载:图像噪声的成因分类与常见图像去噪算法简介
2021-04-03 10:03:33本文转载自:图像噪声的成因分类与常见图像去噪算法简介 1、图像噪声的成因 图像在生成和传输过程中常常因受到各种噪声的干扰和影响而是图像降质,这对后续图像的处理和图像视觉效应将产生不利影响。噪声种类很多... -
图像 识别算法 分类算法_最先进的图像分类算法fixefficientnet l2
2020-09-13 13:54:36图像 识别算法 分类算法FixEfficientNet is a technique combining two existing techniques: The FixRes from the Facebook AI Team[2] and the EfficientNet [3] first presented from the Google AI Research ... -
图像分类(二值图像、灰度图像、彩色图像、深度图像/距离图像)
2020-10-08 10:46:39二值图像 二值图像(Binary Image),按名字来理解只有两个值,0和1,0代表黑,1代表白,或者说0表示背景,而1表示前景。其保存也相对简单,每个像素只需要1bit就可以完整存储信息。即图像上的每一个像素点的像素值...