一、图像分类基础

1.图像分类理论和实践介绍

图像分类应用及实战：

图像分类理论思维导图：

2.图像分类基础基本概念

2.1图像分类是什么

2.2图像分类的应用场景

2.3具体领域划分

根据粒度不同分为三层境界（与上面的领域划分略有不同）：

2.4传统图像分类关键问题

2.5传统图像分类VS深度学习图像分类

3.经典数据集

3.1常用的图像分类数据集

3.2经典数据集——“Hello World“

3.3经典数据集——CIFAR10

3.4经典数据集——CIFAR100

3.5经典数据集——PASCAL

3.6分类数据集——ImageNet

4.评估指标

4.1分类任务评估指标

4.2正负样本

以二分类样本为例：分为四个基本指标

4.3精度与召回率

4.4PR曲线

随着召回率增加，会将更多的样本归类为正样本，可能会产生误判，因此精度会逐渐下降。围成的面积越大，说明这个模型的性能越好！但是PR曲线对正负样本不均衡问题敏感，当正负样本数据类别差距较大，PR曲线差距变化的很厉害！

4.5ROC曲线与AUC

4.6混淆矩阵

5.优化目标

5.1分类任务优化目标

5.2 0-1损失

离散的，无法求导和优化（反向传播）。一般会将0-1损失转化为精度，因为1—损失=精度

5.3熵与交叉熵(cross entropy)

（物理学概念引入到信息学，跨学科交互！NB）

5.4 softmax loss

softmax loss的理解：

当对W,x进行优化之后，这两个参数都为常数，那么对于这个概率的优化就相当于对夹角θ的优化。所以不同的夹角就区分了不同的类！


softmax loss的优化：

5.5 KL散度

二、多类别图像分类

1.基本概念

1.1深度学习图像分类思想

.2深度学习模型的基本概念

网络的深度：

网络的宽度：

2.多类别图像分类经典模型

2.1LeNets系列诞生

LeNet1网络太小了，后续作者们对其加深，加宽诞生了LeNet5等

LeNets5:真正用于商业化的模型


LeNets5工程技巧：

2.2 AlexNets

AlexNet工程技巧：AlexNet网络结构和LeNet网络结构相比并没有太多创新设计，而是使用了许多工程技巧使得这个模型更加出色！


因为当时的GPU性能限制，使用两个GPU，对其进行分组且各组之间也有联系！

3.多类别分类的主要难题

3.1类别不平衡问题

例如：边缘检测问题，边缘像素（少量）和非边缘像素。

3.1.1类别不平衡的解决方案：

1.提升样本法：

操作方法：


2.两阶段( two-phase )训练法：

3.优化目标设计：

3.2样本过少问题

3.2.1样本量过少的解决方案

三 、人脸表情识别实践

（从头开始准备数据与网络）

1 .任务——表情识别

本实践项目所经历的一个完整的工业级项目流程：

框架也有tensorflow等。

2.数据处理与读取

2.1数据获取的常见方法

例如：
人脸表情识别开源数据集：

爬虫获取：

https://github.com/sczhengyabin/lmage-Downloader 爬虫脚本
https://magi.com/ 基于机器学习的搜索引擎

2.1.1数据预处理——归一化：

命名规范统一等。

将获取的数据进行整理、数据清洗等。

2.1.2数据预处理——人脸检测：

2.3完整的数据集大小

按照9:1划分

2.3.1数据读取

2.3.2数据预处理与增强

2.3.3数据封装

3 .模型搭建与训练

3.1网络搭建

4.模型测试

四、Pytorch简单图像分类数据增强实践

1.Pytorch数据增强接口

1.1数据增强问题

1.2数据预处理与增强接口：

2.Pytorch数据增强实践

2.1数据集与代码

无数据增强：

裁剪和翻转数据增强：

裁剪与翻转、旋转数据增强：

裁剪与翻转、旋转、颜色数据增强：

总结：

五、细粒度图像分类

1.细粒度图像分类问题

1.1细粒度图像分类特点

1.2细粒度图像分类数据集

1.3细粒度图像分类竞赛

1.4细粒度图像分类模型分类

六、鸟类细粒度分类模型实战

1.项目简介

1.1数据集

1.2 模型

2.数据处理与读取

2.1数据换分

2.2数据读取代码

3.模型的搭建与训练

3.1双线性模型搭建

3.2基准模型搭建

3.3训练结果

七、多标签图像分类

1.多标签图像分类问题

1.1什么是多标签图像分类

1.2多标签分类常见评估指标

八、多标签图像分类实战

1.多标签分类简介

面临的挑战与难点：

2.多标签分类经典算法简介

经典网络结构及算法：




这个论文有争议，可以尝试看看survey、ML-GCN。

3.基于Pytorch的生活用品多标签分类实战

3.1数据集介绍

3.2构建标签

九、半监督和无监督图像分类问题

1.半监督和无监督分类问题

1.1图像分类标注

1.2图像分类模型

十、零样本分类问题

1.零样本分类问题

1.1什么是单/少样本分类

1.2什么事零样本分类

拓展学习能力！

1.3零样本图像分类技术演变