图像分类：计算机视觉期末核心知识精讲

一、图像分类的核心概念与任务

图像分类是计算机视觉的基础任务，其目标是将输入图像划分到预设的类别集合中。从技术实现看，图像分类的本质是通过提取图像特征并映射到类别空间，完成”图像→标签”的决策过程。例如，将医学影像分类为”正常”或”病变”，或将自然场景图像分类为”猫””狗””汽车”等。

在任务层面，图像分类可分为单标签分类（如ImageNet数据集）和多标签分类（如一张图像同时包含”海滩”和”日落”标签）。其核心挑战包括类内差异大（同一类别图像视角、光照变化大）、类间相似性高（不同类别图像特征接近）以及背景干扰（非目标区域占据主要画面）。

以医学影像分类为例，传统方法依赖人工设计特征（如SIFT、HOG）结合分类器（如SVM），但受限于特征表达能力。深度学习时代，卷积神经网络（CNN）通过自动学习层次化特征，显著提升了分类精度。例如，ResNet通过残差连接解决了深层网络梯度消失问题，使模型深度突破百层。

二、经典图像分类模型解析

1. LeNet-5（1998）

作为CNN的奠基之作，LeNet-5采用”卷积层→池化层→全连接层”的堆叠结构，在手写数字识别任务（MNIST数据集）中达到99%以上的准确率。其创新点在于局部感受野和权值共享，大幅减少了参数量。

# LeNet-5简化版实现（PyTorch）
import torch.nn as nn
class LeNet5(nn.Module):
    def __init__(self):
        super().__init__()
        self.features = nn.Sequential(
            nn.Conv2d(1, 6, kernel_size=5),
            nn.AvgPool2d(kernel_size=2),
            nn.Conv2d(6, 16, kernel_size=5),
            nn.AvgPool2d(kernel_size=2)
        )
        self.classifier = nn.Sequential(
            nn.Linear(16*4*4, 120),
            nn.Linear(120, 84),
            nn.Linear(84, 10)
        )
    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

2. AlexNet（2012）

AlexNet在ImageNet竞赛中以绝对优势夺冠，其关键改进包括：使用ReLU激活函数加速训练、引入Dropout防止过拟合、采用多GPU并行计算。模型结构包含5个卷积层和3个全连接层，输入图像尺寸为224×224。

3. ResNet（2015）

ResNet通过残差块（Residual Block）解决了深层网络退化问题。残差连接公式为：
[ H(x) = F(x) + x ]
其中( F(x) )为残差函数，( x )为输入。这种设计使梯度能够直接反向传播到浅层，支持训练超深层网络（如ResNet-152）。

三、数据预处理与增强技术

数据质量直接影响模型性能，常见预处理方法包括：

1. 尺寸归一化：将图像缩放到固定尺寸（如224×224），常用双线性插值。
2. 归一化：将像素值映射到[0,1]或[-1,1]范围，公式为：
   [ x_{\text{norm}} = \frac{x - \mu}{\sigma} ]
   其中( \mu )和( \sigma )为数据集的均值和标准差。
3. 数据增强：通过随机变换扩充数据集，常见操作包括：
   • 随机裁剪（Random Crop）
   • 水平翻转（Horizontal Flip）
   • 颜色抖动（Color Jitter）
   • 随机旋转（Random Rotation）

# PyTorch数据增强示例
from torchvision import transforms
transform = transforms.Compose([
    transforms.RandomResizedCrop(224),
    transforms.RandomHorizontalFlip(),
    transforms.ColorJitter(brightness=0.4, contrast=0.4),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

四、模型训练与评估方法

1. 损失函数选择

• 交叉熵损失（Cross-Entropy Loss）：适用于多分类任务，公式为：
  [ \mathcal{L} = -\sum_{i=1}^C y_i \log(p_i) ]
  其中( C )为类别数，( y_i )为真实标签（0或1），( p_i )为预测概率。
• 焦点损失（Focal Loss）：解决类别不平衡问题，通过调制因子降低易分类样本的权重。

2. 优化器配置

• SGD+Momentum：经典组合，学习率需手动调整。
• Adam：自适应学习率优化器，适合快速实验。

3. 评估指标

• 准确率（Accuracy）：正确分类样本占比。
• 混淆矩阵（Confusion Matrix）：分析各类别的分类情况。
• mAP（Mean Average Precision）：多标签分类任务的核心指标。

五、实际应用与优化方向

1. 工业场景应用

• 缺陷检测：通过分类模型识别产品表面缺陷（如划痕、污渍）。
• 人脸识别：结合分类与度量学习，实现身份验证。

2. 优化策略

• 迁移学习：利用预训练模型（如ResNet50）进行微调，减少训练数据需求。
• 模型压缩：通过知识蒸馏、量化等技术降低模型体积和计算量。
• 注意力机制：引入SE模块或Transformer结构，提升模型对关键区域的关注能力。

六、期末复习建议

1. 理论梳理：绘制模型结构图，对比不同网络的改进点。
2. 代码实践：复现经典模型，调整超参数观察性能变化。
3. 案例分析：阅读顶会论文（如CVPR、ICCV），总结最新技术趋势。

通过系统复习，读者可建立从基础理论到实际应用的完整知识体系，为后续研究或工程实践奠定坚实基础。