Python迁移学习

第6章　图像识别和分类

在知识上的投资是回报率最高的投资。

——本杰明·富兰克林（Benjamin Franklin）

图像识别是计算机视觉中一个活跃的跨学科研究领域。图像或对象识别，顾名思义，指的是在图像或视频序列中识别对象的任务。在过去的几年中，该领域利用数学和计算机辅助建模，以及对象设计方面的进步，开发了一些手动标注的数据集来测试和评估图像识别系统。我们现在所称的传统技术直到最近才在图像识别领域占据主导地位，并不断对这项技术进行改进。2012年深度学习进入ImageNet竞赛，为计算机视觉和深度学习技术的快速提升和发展打开了闸门。

本章我们将从深度学习，尤其是迁移学习的角度，介绍图像识别和分类的概念。本章内容包含以下几个方面：

• 使用深度学习进行图像分类；
• 基准测试数据集；
• 最先进的深度图像分类模型；
• 图像分类和迁移学习用例。

本章开启了本书的第3部分。在本书的这一部分中，我们将覆盖前两部分中讨论的概念和技术的案例研究，通过用例展示现实世界的主题或研究领域，并帮助读者了解如何在不同的场景中使用迁移学习。本章内容中涉及的代码可以在异步社区网站获取。

6.1　基于深度学习的图像分类

卷积神经网络，即CNN是提升图像分类任务的深度学习革命的核心，它是一种专门用于处理图像数据的神经网络。快速回顾一下，CNN能够帮助我们通过共享权重结构来推断位移和空间不变的特性，可以说它是前馈网络的一种变体。我们已经在第3章和第5章中详细介绍了CNN的基本内容。在继续学习后面的内容之前，读者可以快速复习以便更好地理解本章内容。图6.1所示为一个典型的CNN实战流程。

图6.1

神经网络早在2011年就已经出现在图像分类竞赛中，使用GPU训练的网络开始赢得比赛。直到2012年，一个深度CNN在ImageNet图像分类任务上将之前的最好成绩提升至83%，CNN才第一次引起全世界的注意。比赛的结果非常令人惊讶，足以引起全球的关注，并且帮助传播使用深度学习解决问题的方法。 ...