《三维重建计算机视觉 (12).pdf》由会员分享，可在线阅读，更多相关《三维重建计算机视觉 (12).pdf（114页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、 CIFAR10数据集：包含50000张训练样本、10000张测试样本分为飞机、汽车、鸟、猫、鹿、狗、蛙、马、船、卡车十个类别图像为彩色图像，其大小为32*32数据集介绍设计分类器分类模型损失值模型参数参数 更新图像表示损失函数优化算法大多数分类算法都要求输入向量！图像表示 将图像转换成向量的方法有很多，这里我们用一种最简单的方法，直接将图像矩阵转换成向量图像将矩阵转成列向量图像表示CIFAR10中每一张图像转换为向量是多少维？图像表示CIFAR10中每一张图像转换为向量是多少维？答案：3072（=32*32*3）维列向量图像表示分类模型损失值模型参数参数 更新图像表示损失函数优化算法1.线性
2、分类器定义2.线性分类器的权值3.线性分类器的分界面 形式简单、易于理解 通过层级结构（神经网络）或者高维映射（支撑向量机）可以形成功能强大的非线性模型为什么从线性分类器开始？线性分类器是一种线性映射，将输入的图像特征映射为类别分数。什么是线性分类器线性分类器定义则决策输入图像 属于第 类线性分类器决策决策规则：？图 片线性分类器任务：为图片分配类别标签（汽车类、猫类、鸟类）线性分类器示例56231242线性分类器示例线性分类器决策步骤：1.图像表示成向量56231242+=0.2-0.50.12.01.51.32.10.000.250.25-0.31.13.2-1.2-96.8437.961
3、.95汽车类猫类鸟类56231242线性分类器示例线性分类器决策步骤：1.图像表示成向量2.计算当前图片每个类别的分数+=0.2-0.50.12.01.51.32.10.000.250.25-0.31.13.2-1.2-96.8437.961.95汽车类猫类鸟类56231242线性分类器示例线性分类器决策步骤：1.图像表示成向量2.计算当前图片每个类别的分数3.按类别得分判定当前图像猫类+=0.2-0.50.12.01.51.32.10.000.250.25-0.31.13.2-1.2-96.8437.961.95汽车类猫类鸟类56231242线性分类器示例线性分类器的权值向量线性分类器的权值
4、向量马的模板看起来记录了两个马头汽车模板看起来记录的红色的汽车线性分类器的权值向量 权值看做是一种模板线性分类器的权值向量 权值看做是一种模板 输入图像与评估模板的匹配程度越高，分类器输出的分数就越高线性分类器的决策边界特征2特征1汽车类分界面猫类分界面线性分类器的决策边界特征2特征1船类分界面1.线性分类器的定义2.线性分类器的决策3.线性分类器的矩阵表示4.线性分类器的权值向量5.线性分类器的决策边界线性分类器小结如何衡量分类器对当前样本的效果好坏？+汽车类分数猫类分数船类分数W1=0.2-0.50.12.01.51.32.10.000.250.25-0.31.13.2-1.2-96.84
5、37.961.95b1f分类器1+汽车类分数猫类分数船类分数W2=0.2-0.10.11.71.50.22.15.0-1.21.50.250.52.1-0.22.4-4190.6333.7b2f分类器2如何衡量分类器对当前样本的效果好坏？对示例样本，分类器1与分类器2的分类谁的效果更好？需要损失函数来帮忙损失函数什么是损失函数？损失函数的一般定义：什么是损失函数？第i个样本的多类支撑向量机损失定义如下：多类支撑向量机损失u正确类别的得分比不正确类别的得分高出1分，就没有损失u否则，就会产生损失birdcatcarloss0.6-2.31.91.72.92.33.1-2.64.3=max(0,-
6、2.3 0.6+1)+max(0,1.9 0.6+1)=max(0,-1.9)+max(0,2.3)=0+2.3=2.3birdcatcarloss0.6-2.31.92.31.72.92.30.43.1-2.64.30当前分类器对于鸟这张图像的损失：=max(0,1.7 2.9+1)+max(0,2.3 2.9+1)=max(0,-0.2)+max(0,0.4)=0+0.4=0.4当前分类器对于鸟这张图像的损失：birdcatcarloss0.6-2.31.92.31.72.92.30.43.1-2.64.30当前分类器对于鸟这张图像的损失：=max(0,3.1 4.3+1)+max(0,-2.6 4.3+1)=0birdcatcarloss0.6-2.31.92.31.72.92.30.43.1-2.64.30当前分类器对于整个数据集图像的损失：birdcatcarloss0.6-2.31.92.31.72.92.30.43.1-2.64.30(整个数据集损失的平均值)L=(2.3+0.4+0)/3=0.9什么是超参数？在开始学习过程之前设置值的参数，而不是学习得到。