【经典算法必读】图片分类系列之（一）: 你真的了解图片分类(Image Classification)吗？图片分类是机器

欢迎关注我的个人微信公众号：小纸屑

图片分类是机器学习经典问题，也是深度学习声名鹊起之作。正是2012年AlexNet在图片分类竞赛ImageNet出乎寻常的性能，使得深度学习一夜爆红，方有今天人工智能的井喷之势。

由于深度学习在图片分类上极其成功，且代码简单，图片分类便成为深入学习入门学习任务。通常几行代码，就可以调起一个模型训练。由于太简单，导致大家对图片分类缺乏能够整体认识。

本文拟从问题定义、图片分类的粒度、常用数据集、评判标准和经典论文等角度，完整充分展现图片分类这个经典问题，让读者有个完整印象。

问题定义

图片分类的定义如下：

输入：一张图片

输出：图片类别

这里的图片类别是指图片内所包含物体的类别。

传统的图片分类中，一张图片只包含一个类别物体的一个或多个实例。多标签图片分类中，一张图片一般包含多个类别物体的一个或多个实例（如多标签猫狗图片分类，大部分照片不但包含猫，还同时包含狗）。

我们这里只讲传统的图片分类。以下是几个样例：

输入上述图片，正确的输出应该是猫（图片来自数据集ImageNet）

输入上述图片，正确的输出应该是类别9（图片来自数据集MNIST）

输入上图，正确的输出应该是飞机（图片来自数据集CIFAR10）

图片分类的粒度

粗粒度分类

粗粒度图片分类是指跨物种语义级别的分类，比较常见的包括如猫狗分类、ImageNet的1000个类别的分类、CIFAR10的10个类别的分类等。这样的图像分类，各个类别之间因为属于不同的物种或大类，往往具有较大的类间方差，具有较小的类内方差。

下面是cifar10 中的10个类别的示意图，这就是一个典型的例子。

细粒度分类

细粒度图像分类，相对于跨物种的图像分类，级别更低一些。它往往是同一个大类中的子类的分类，如不同鸟类的分类，不同狗类的分类，不同车型的分类等。

下面是以鸟的子类间分类为例，细粒度分类类间因为较为相似，所以类间方差小，而类内由于姿态、光纤等问题，类内方差大。

实例级分类

如果我们要区分不同的个体，而不仅仅是物种类或者子类，那就是一个识别问题，或者说是实例级别的图像分类，最典型的任务就是人脸识别。

常用数据集

上图是经典常用的粗粒度图片分类数据集。

MNIST

MNIST是手写体数据集，每一张图片是0-9个数字中的一个，图片分辨率28x28，所有图片均是灰度图，因此图片表示为tensor是28x28x1，训练集60000张照片，测试集10000张照片。以下是16张MNIST中的样本。

Fashion-MNIST

Fashion-MNIST的提出是为了方便学者测试算法的有效性，因为MNIST数据集的特征过于简单，导致在MNIST表现好的算法，很难说是算法改进了，还是数据集过于简单。 Fashion-MNIST，除了类别换成了服装和鞋子等，其他与MNIST一模一样，同样分辨率28x28，同样灰度图，训练集同样60000，测试集同样10000。基本上在MNIST测试的算法，不用任何修改，就可以在Fashion-MNIST上测试和训练。以下是30张Fashion-MNIST中的样本。

CIFAR-10

CIFAR-10数据集由10类32x32的彩色图片组成，一共包含60000张图片，每一类包含6000图片。其中50000张图片作为训练集，10000张图片作为测试集。

CIFAR-10数据集被划分成了5个训练的batch和1个测试的batch，每个batch均包含10000张图片。测试集batch的图片是从每个类别中随机挑选的1000张图片组成的,训练集batch以随机的顺序包含剩下的50000张图片。不过一些训练集batch可能出现包含某一类图片比其他类的图片数量多的情况。训练集batch包含来自每一类的5000张图片，一共50000张训练图片。

以下是数据集中的类，以及来自每个类的10个随机图像：

这些类完全相互排斥。汽车和卡车之间没有重叠。“汽车”包括轿车，SUV，这类东西。“卡车”只包括大卡车。都不包括皮卡车。

CIFAR-100

CIFAR-100数据集就像CIFAR-10，除了它有100个类，每个类包含600个图像。每类各有500个训练图像和100个测试图像。CIFAR-100中的100个类被分成20个超类。每个图像都带有一个“精细”标签（它所属的类）和一个“粗糙”标签（它所属的超类）

ImageNet

ImageNet数据集本身有约1500万张照片，2.2万个类。基于ImageNet的大规模计算机视觉挑战赛ISLVRC包含5个任务，图像分类(Image Classification)、目标定位(Image Localization)、目标检测(Object Detection)、视频目标检测(Video Object Detection)、场景分类。

由于其图像分类任务名声太盛，导致一般提到ImageNet，通常指的就是其图像分类子任务，这个子任务共有1000个类别，训练集有1,281,167张照片，验证机50,000张，测试集100,000张照片，每张图片大小不一，均为彩色图片。