图像分类

将不同的图像划分到不同的类别标签,实现最小的分类误差

图像分类的三层境界

(1).通用类别图像分类：指得是差异性非常大，它完全是不同的类别。如：猫和狗

(2).子类细粒度图像分类：差异变小，相似变大

(3).实例级图片分类：类别相同，差异非常非常小

2.图像分类评估指标之混淆矩阵

TP（真正例）——将正类预测为正类数。

FP（假正例）——将反类预测为正类数。

TN（真反例）——将反类预测为反类数。

FN（假反例）——将正类预测为反类数

图像分类指标

(1)精确率(Accuracy)：精确率是最常用的分类性能指标。可以用来表示模型的精度，即模型识别正确的个数/样本的总个数。一般情况下，模型的精度越高，说明模型的效果越好

(2)准确率(Precision)：又称为查准率，表示在模型识别为正类的样本中，真正为正类的样本所占的比例

(3)召回率(Recall)：又称为查全率，表示模型正确识别出为正类的样本的数量占总的正类样本数量的比值

(4)F1_Score：它被定义为正确率和召回率的调和平均数

(5)P-R曲线：召回率增加，精度下降 曲线和坐标轴面积越大，模型越好。对正负样本不均衡敏感

4 模型基本概念-网络的深度与宽度

深度:深度学习最重要的属性，计算最长路径的卷积层+全连接层数量。LeNet网络，C1+C3+C5+F6+Output共5层

宽度:每一个网络层的通道数，以卷积网络层计算。LeNet网络，C1(6),C3(16)。

5.图像分类中样本量过少的问题

样本量极少：样本获取较难导致总体样本量过少 如：工业样品,医疗

样本过少解决方案:

迁移学习：使用预训练模型。

数据增强(有监督方法与无监督方法)