人工智能应用与信息技术CH04-视觉分类

视

觉

分

类目录CONTENT1.图像分类2.视频分类3.细粒度分类4.视觉分类的实际应用

学习目标了解什么是图像分类了解图像分类的基本过程了解图像分类、视频分类、细粒度分类的区别和联系知识目标1掌握图像分类任务中常用的评价指标掌握图像分类任务中常用的损失函数能够选用合适的评价指标来实现相应的任务技能目标2学习目标培养读者分析与解决问题的能力，使其能够掌握相关知识点并进行项目实践培养读者独立思考能力和逻辑思维能力素质目标3培养读者运用科学的思维认识事物，使其具备独立思考的意识、求知严谨的态度和勇于探究的精神培养读者发现问题的能力，使其能够运用合理的方法和技能动手分析并解决实际问题思政目标4章节介绍在本章节中，我们将从图像分类、视频分类、细粒度分类等领域深入探讨其基本原理，并介绍各个领域最常用的数据集。此外，本章也对视觉分类任务中最常见的实际应用做了介绍。希望通过本章的学习，读者能够对视觉分类有一个全面而深入的了解，并能在实践中灵活运用相关技术。图像分类011.图像分类什么是图像分类？图像分类(ImageClassification)是指通过某种分类算法，根据图像的语义等信息将不同类别的图像区分开。图像分类的核心目标是将输入的图像与预定义的类别标签进行匹配。这些类别标签可以是具体的物体(如猫、狗、汽车等)，也可以是风景、人物、建筑等。作为计算机视觉的基础问题，图像分类是目标检测、图像分割、目标追踪等高级视觉任务的基础。其应用十分广泛，如安防领域的人脸识别和智能视频分析、遥感图像、交通场景识别、图像检索和相册自动归类、医学图像分类等。1.图像分类图像分类的操作过程图像分类主要利用计算机对图像进行定量分析，把图像或图像中的每个像素或区域划分为若干个类别，以代替人的视觉判断。图像分类技术主要通过数据预处理、特征提取、模型训练和测试、图像分类等步骤实现对图像的分类。其基本操作流程如下图所示。图4-1图像分类基本操作流程1.图像分类预处理的目的是将原始图像转换为适合计算机处理的形式。对原始图像进行预处理操作，如滤波、降噪、增强等，以提高图像的清晰度和可识别性，有助于消除图像中的无关信息，突出图像中的特征，使后续的特征提取和分类更加准确。图像分类的操作过程数据预处理特征提取是图像分类的关键步骤，其目的是从预处理后的图像中提取出具有区分度的特征，如颜色、形状、纹理等。以便后续的分类器能够基于这些特征进行分类。传统的图像分类方法通常使用手工设计的特征提取器，如尺度不变特征变换(SIFT)、方向梯度直方图(HOG)等。随着深度学习的发展，CNN等模型已经成为自动学习图像特征的主流方法。特征提取1.图像分类根据具体任务需求，选择合适的分类器进行设计。其目的是设计一种分类算法，能够根据提取的特征对图像进行分类。常见的分类器有支持向量机(SVM)、神经网络、决策树等。图像分类的操作过程分类器设计在训练过程中，使用训练数据对分类器进行训练和优化，通过不断调整模型的参数和优化算法，使模型逐渐接近实际需求。在这个过程中，可以调整模型的学习率、批大小（BatchSize）、训练轮数（Epochs）等超参数，有效地提高模型的分类性能并加速训练过程。模型训练1.图像分类在测试过程中，使用测试数据对训练好的模型进行评估，以获得模型的准确率、精度、召回率等指标。模型训练好之后，需要用测试数据集来评估模型的泛化能力，利用分类模型对测试数据集中的图像进行预测，预测后会输出每个图像所属类别的概率分布。完成预测后，需要通过准确率、召回率等评估指标对模型的性能进行评估。图像分类的操作过程模型测试与评估1.图像分类图像分类常用的数据集有4个，分别是MNIST、CIFAR-10/100、ImageNet，详细信息如下表所示。图像分类常用的数据集发布年份详细信息MNIST1998年60k训练图像、10k测试图像、10个类别、图像大小1×28×28、内容是0-9手写数字。CIFAR-102009年50k训练图像、10k测试图像、10个类别、图像大小3×32×32，它是一个彩色图像数据集。CIFAR-1002009年50k训练图像、10k测试图像、100个类别、图像大小3×32×32。提供了细标签和粗标签。ImageNet2009年1.2M训练图像、50k验证图像、2k个类别。表4-1图像分类常用数据集1.图像分类分类任务评估常用的指标包括准确率、召回率、F1-score、PR曲线、ROC曲线、混淆矩阵等。在介绍评估指标之前，先了解二分类中的正样本和负样本的划分，如表4-2所示。图像分类评价指标

真实值预测值正样本负样本正样本TPFP负样本FPTN记：(1)标签(真实值)为正样本，分类(预测值)为正样本的数目为TruePositive，简称TP。

(2)标签为正样本，分类为负样本的数目为TrueNegative，简称FN。(3)标签为负样本，分类为正样本的数目为FalsePositive，简称FP。(4)标签为负样本，分类为负样本的数目为FalseNegative，简称FN。表4-2正负样本的划分表1.图像分类准确率(Accuracy)是分类模型正确预测的样本数与总样本数之比，反映模型整体的分类性能。其公式如(4-1)所示。图像分类评价指标——准确率准确率是最基本的评估指标，适用于样本平衡的分类问题。当样本不平衡时，准确率可能无法真实反映模型性能，需要结合其他指标。1.图像分类精确率(Precision)也称为查准率，是指在正样本的测试样本中，实际为正的样本所占的比例，反映模型在预测为正时的可靠性，其值越高越好。精确率常用于正样本筛选，需确保筛选出的正样本尽可能是真正的正样本。其公式如(4-2)所示。召回率(Recall)也称为查全率，是指在所有实际为正的样本中，被模型预测为正的样本所占比例，反映模型覆盖所有正样本的能力。即正样本的正样本占所有正样本的比例。召回率常用于搜索、推荐等场景，需要尽可能找出所有的正样本。其公式如(4-2)所示。图像分类评价指标——精准率和召回率1.图像分类PR曲线是以精确率P为横轴，召回率R为纵轴绘制的曲线，如图4-2所示。通过PR曲线可以全面评估一个分类模型的性能，因为它同时考虑了正样本的召回率和负样本的误报率。PR曲线越接近于坐标轴，说明分类模型的性能越好。在PR曲线上，最佳阈值点通常是最接近坐标轴的点，即在查准率和查全率之间取得平衡。PR曲线只适用于二分类问题，且对于样本不平衡的问题可能无法准确评估分类模型的性能，即当正负样本类别数量差距较大时，PR曲线变化较大。此外，PR曲线的绘制需要手动调整阈值，或使用交叉验证等技术来自动确定最佳阈值。图像分类评价指标——PR曲线图4-2PR曲线1.图像分类F1-score也被称为平衡F分数，是精确率和召回率的调和平均数，用于综合评价模型性能。F1值越高，模型性能越好。其公式如(4-3)所示。图像分类评价指标——F1-scoreF1分数适用于多个分类问题，尤其适用于样本不平衡的分类问题。它综合考虑了精确率和召回率，能够更全面地反映模型的性能。1.图像分类在二元分类问题中，预测结果的取值通常为0或1，其中0表示负类，1表示正类。当分类模型的阈值设置较宽松时，模型会更多地预测为正类，从而提高了假正率。相反，当阈值设置较严格时，模型会更多地预测为负类，从而降低了假正率。图像分类评价指标——ROC曲线真正率(FalsePositiveRate，FPR)是指被预测为正类的正样本比例，即真正被正确预测为正类的样本数除以所有真实为正类的样本数，表示为公式4-4。在ROC曲线中，真正率是纵轴上的一个指标，其值越高，说明分类模型对于正类的识别能力越强。假正率(TruePositiveRate，TPR)是指被预测为正类的负样本比例，即被错误地预测为正类的负样本数除以所有真实为负类的样本数，表示为公式4-4。在ROC曲线中，假正率是横轴上的一个指标，其值越高，说明分类模型的性能越差。1.图像分类ROC曲线是以假正率为横轴，真正率为纵轴绘制而成的曲线，如图4-3所示。ROC曲线的形状反映了分类模型性能的好坏，相比于PR曲线，对于样本不平衡的问题，ROC曲线能准确评估分类模型的性能。一般理想的ROC曲线会接近左上角，即假正率接近0，真正率接近1。这反映了模型能够很好地分别正类和负类。图像分类评价指标——ROC曲线图4-3ROC曲线ROC曲线的一个重要概念是AUC(AreaUndertheCurve)，即ROC曲线下的面积。AUC表示随机挑选一个正样本和一个负样本，分类器对正样本给出的预测值高于负样本的概率。AUC的值越接近于1，说明分类模型的性能越好。在实际应用中，可以通过比较不同分类模型的AUC值来选择最优的模型。此外，ROC曲线还可以用于模型参数的调整和优化。通过调整模型的参数，可以改变分类阈值，进而改变TPR和FPR的值，最终改善模型的性能。1.图像分类0-1损失只看分类的对与错，当标签与预测类别相等时，loss为0，否则为1，0-1损失是最真实的优化目标。其公式如(4-5)所示。图像分类的损失函数——0-1损失由于0-1损失函数的非凸性，优化算法可能陷入局部最小值，导致预测结果不准确。0-1损失只有理论意义，因为其无法求导和优化，是离散的。1.图像分类交叉熵损失(Cross-EntropyLoss)函数是一种衡量预测概率分布与真实概率分布之间差异的损失函数，常用于分类问题和概率预测问题。它的计算方法是基于真实标签和预测概率之间的对数似然损失。在二分类情况下，其公式如(4-6)所示。图像分类的损失函数——交叉熵损失其中，yi表示样本

i

的真实标签，pi表示样本

i

预测概率。当

yi=0

时，损失函数为

；当yi=1

时，损失函数为−p

。这意味着当预测概率与真实标签越接近时，交叉熵损失越小，表示模型的预测能力越强。1.图像分类图像分类的损失函数——交叉熵损失其中，M为类别数量，yic为样本

i

的真实类别等于

c

取

1，否则取0。pic观测样本

i

属于类别

c

的预测概率。在多分类情况下，定义

yi表示第

i

个样本属于第

j

类的标签，

表示第

i

个样本被预测为第

j

类的概率，交叉熵损失表示为公式(4-7)。softmax函数的基本思想是将模型的输出通过softmax函数转化为概率分布，然后计算概率分布与真实标签之间的差异作为损失，主要用于多分类问题。其公式如(4-8)所示。图像分类的损失函数——softmax函数1.图像分类图像分类的损失函数——均方误差损失函数均方误差损失函数(MeanSquaredErrorLoss，MSE)常用于回归问题，其定义是预测值与真实值之间差值平方和的均值，用于衡量预测值与实际观测值之间的偏差程度。具体来说，假设第i个真实样本为yi，第i个预测样本为yi'，那么均方误差就是

的平均值。其公式如(4-9)所示。MSE的值越小，表示模型的预测结果越接近真实值，它只考虑误差的平均大小，不考虑其方向，即对于所有的预测偏差，无论是正偏差还是负偏差，都会进行平方处理，从而避免了正负偏差相互抵消的情况。MSE的平方运算会导致在真实值与预测值的差值较大时，误差会被放大，差值较小时，误差会被缩小，这种情况可能会导致模型在训练过程中对一些小误差不够敏感。MSE对异常值比较敏感，当异常值非常大时，其平方运算会导致损失函数值急剧增加，使得模型过度拟合异常值。1.图像分类传统的图像分类方法传统图像分类方法通常依赖于手动设计的特征提取器，从图像中提取出有意义的特征向量，然后利用分类器(SVM、决策树等)对这些特征进行分类。这些特征可以包括颜色、纹理、形状等，它们在一定程度上能够描述图像的视觉内容。然而，传统方法的性能受限于特征提取器的设计质量和分类器的泛化能力。常用的传统图像分类方法有决策树、支持向量机、逻辑回归和朴素贝叶斯等。1.图像分类传统的图像分类方法——决策树方法决策树方法是一种基于树形结构进行决策的分类算法。这种方法的核心在于通过构建树状结构，根据图像的特征进行一系列的决策规则，最终将图像分类到不同的类别中。在决策树中，每个节点在决策树中代表一个特征，每个分支则代表该特征的一个可能取值，而每个叶子节点则对应一个具体的类别。决策树的构建过程通常包括以下步骤：1.特征选择2.划分数据集3.递归构建决策树4.剪枝1.图像分类传统的图像分类方法——决策树方法对于每个子集，重复进行特征选择和划分数据集的步骤，直到满足某个终止条件(如子集不可再分或达到预设的树深度)。此时的叶节点将对应一个确定的分类或数值，表示该子集中的数据所属的类别。根据数据集中各个特征的重要性，选择最佳的特征作为判断条件。通过选择具有最大分类纯度提升的特征，可以确保决策树在后续的划分过程中能够更准确地分类图像。1.特征选择根据选定的特征，将数据集划分为多个子集。每个子集对应决策树的一个非叶节点，同一子集内的数据应尽量属于同一类别或具有相似的数值范围。2.划分数据集为了避免决策树过拟合，即模型在训练数据上表现良好但在新数据上表现不佳，通常需要对已构建的决策树进行剪枝处理。剪枝是通过去掉一些划分后效果不好的非叶节点，简化决策树的结构，从而提高其泛化能力。3.递归构建决策树4.剪枝1.图像分类传统的图像分类方法——支持向量机支持向量机SVM是一种二分类算法，其核心思想是在特征空间中找到一个最优超平面，使得这个超平面能够将不同类别的样本分隔开，并且使得分隔的间隔最大化。在图像分类中，这个超平面可以理解为一个决策边界，用于区分不同类别的图像。SVM包括以下几个步骤：1.特征提取2.模型训练3.核函数与参数选择4.分类与预测1.图像分类传统的图像分类方法——支持向量机一旦模型训练完成，就可以使用它来对新的图像进行分类。将新图像的特征向量输入到SVM模型中，模型会根据之前学习的决策边界来判断该图像所属的类别。在SVM中，输入的特征向量需要能够充分描述图像的颜色、纹理、形状等特性，以便模型能够有效地进行分类。1.特征提取在模型训练阶段，SVM会利用提取的特征向量和对应的标签来学习一个最优的分类超平面。通过求解这个优化问题，可以得到模型的参数，包括超平面的法向量和截距。2.模型训练SVM中不同的核函数(如线性核、多项式核、径向基函数核等)适用于不同类型的数据集。选择合适的核函数以及调整相关的参数(如惩罚系数C、核函数参数等)可以显著影响模型的分类效果。3.核函数与参数选择4.分类与预测虽然决策树、支持向量机等传统图像分类方法中表现出色，但随着深度学习技术的发展，基于深度学习的图像分类方法(如CNN)已经取得了更显著的成果。深度学习能够自动学习图像的特征表示，而无需手动设计特征提取器，因此在许多任务上超过了传统方法。1.图像分类基于深度学习的图像分类方法基于深度学习的图像分类方法，特别是CNN，近年来在图像分类领域取得了显著的成功。这种方法通过构建多层的神经网络模型，能够自动学习到图像中的抽象特征，并实现高效的分类。常用的基于深度学习的图像分类模型除了文章3.2.6节介绍的LeNet、VGGNet、ResNet和文章3.4节介绍的ViT网络之外，还有AlexNet、MobileNet等经典网络模型。1.图像分类基于深度学习的图像分类方法——AlexNet图4-4AlexNet模型结构图AlexNet是2012年，由Krizhevsky等人提出的。它由5个卷积层和3个全连接层组成，输入图像经过卷积操作和全连接层的操作，最后输入有1000个节点的softmax分类器完成图像分类任务。其网络结构如图4-4所示。1.图像分类基于深度学习的图像分类方法——AlexNetAlexNet的创新点：使用ReLU作为激活函数使用数据增强和Dropout进行正则化，缓解过拟合问题采用两个GPU并行计算的方式加速训练............AlexNet的优点：简单、高效AlexNet的缺点：对训练数据和计算资源的要求较高，需要大量的标注数据和GPU计算资源来进行训练。1.图像分类基于深度学习的图像分类方法——MobileNet2017年，谷歌提出了一个轻量级网络模型MobileNet，在保证模型准确率的同时，显著的降低了模型的复杂度和计算量。其网络结构如图4-5所示。图4-5AlexNet模型结构图MobileNet基于一种流线型的架构，主要由一系列深度可分离卷积

(DepthwiseSeparableConvolution,

DSc)

层组成，这些层之间通过批量归一化

(BatchNormalization)和ReLU激活函数进行连接，最后连接一个全局平均池化层和一个FC层在模型的后端。1.图像分类基于深度学习的图像分类方法——MobileNet图4-5AlexNet模型结构图MobileNet的优势：MobileNet引入了宽度乘数(WidthMultiplier)和

分辨率乘数(ResolutionMultiplier)两个全局超参数，用于进一步控制模型的大小和计算复杂度。通过这种方式，MobileNet能够显著减少参数量和计算量，同时保持较高的模型性能。视频分类022.视频分类什么是视频分类？视频分类(VideoClassification)是指利用计算机视觉和深度学习等技术，对视频内容进行自动分类和标注。主要目的就是对视频内容进行分析，根据其中的对象、场景、对象的动作以及场景的演化信息等将视频归为预定义的类，来对视频进行监管和分类整理。其原理主要是通过分析视频中的图像和音频信息，提取出相关特征，然后利用分类器对这些特征进行分类和识别，最后得出分类结果。视频分类技术广泛应用于视频监控、智能安防、智能交通、智能家居等领域，可以实现对视频内容的自动监控和预警，提高安全性和效率。2.视频分类视频分类的操作过程视频分类技术主要包括视频数据预处理、特征提取、特征编码与聚合、模型训练等过程。将获取的视频数据，进行一系列预处理操作。这包括视频的格式转换、分辨率调整、帧率归一化等，以确保输入数据的一致性。此外，对于较长的视频还需要进行裁剪或分割，以提取出关键片段或降低计算复杂度。数据预处理经过预处理后，算法会从视频数据中提取出具有判别性的特征。传统的特征提取方法包括颜色直方图、运动轨迹、光流法等，这些方法主要关注视频的低级特征。而随着深度学习技术的发展，特别是CNN和RNN的应用，可以自动学习视频中的高级特征，包括时空信息、物体形状和动态变化等。特征提取2.视频分类视频分类的操作过程视频分类技术主要包括视频数据预处理、特征提取、特征编码与聚合、模型训练等过程。对于从视频中提取出的特征，需要进行编码和聚合操作，以形成一个固定长度的特征向量，方便后续的分类模型处理。常见的特征编码方法包括词袋模型(BagofWords)、Fisher向量编码等。这些方法能够将视频中的多个特征融合成一个全局表示，从而保留视频的整体信息。特征编码与融合使用提取出的特征数据来训练一个分类模型。这个模型可以是传统的机器学习模型，如SVM、随机森林等，也可以是深度学习模型，如CNN或RNN与CNN的组合。在训练过程中，模型会学习如何将特征映射到相应的类别，通过调整模型参数来最小化分类错误率。模型训练2.视频分类视频分类的操作过程视频分类技术主要包括视频数据预处理、特征提取、特征编码与聚合、模型训练等过程。训练完成后，需要使用独立的测试集对模型进行测试，并在特定的评估指标上进行性能的评估。模型测试与评估通过上述几个过程就能完成一个视频分类模型，可将其应用于实际场景中，如视频检索、智能监控、人机交互。2.视频分类视觉分类技术常用的数据集有KTH、MCG-WEBV、UFC-101、HMDB51、Ports-1M、YouTube-8M等。这些数据集为视频分类任务提供了丰富多样的视频数据和标注信息，有助于推动视频分类技术的发展和应用。数据集的具体信息见表4-3。视频分类常用的数据集表4-1图像分类常用数据集数据集发表年份种类视频数背景KTH20046600静态MCG-WEBV200915234,414动态UFC-101201210113,320动态HMDB512011516,766动态Ports-1M20144871,133,158动态FCVID201523991233动态YouTube-8M20164,8008,264,650动态2.视频分类传统视频分类算法专注于采用对局部时空区域的运动信息和表观信息编码的方式获取视频描述符，然后生成视频编码，最后利用视频编码来训练分类器，实习区分视频类别的功能。视频的描述符依赖人工设计的特征，如使用运动信息获取局部时空特征的梯度直方图(HistogramofOrientedGradients,HOG)，使用不同类型的轨迹的光流直方图(HistogramofOpticalFlow,HOF)和运动边界直方图(MotionBoundaryHistogram,MBH)。视频分类方法——传统视频分类方法2.视频分类视频数据包含时间维度和空间维度，而3D卷积正好可以通过3D池化操作更好的建模时间信息。3D卷积是从水平、垂直和时序三个方向同时提取视频的时间和空间特征。如图4-7所示，作为3D卷积在视频分类技术上的开拓性工作，C3D实现了对外观和运动同时建模。视频分类方法——基于深度学习的视频分类方法图4-7

3D卷积模型图(1)基于3D卷积的视频分类方法2.视频分类基于RNN的视频分类的基本原理主要依赖于RNN处理序列数据的能力，特别是其捕获序列中时间依赖关系的能力，通过捕获视频帧之间的时序依赖关系来实现对视频内容的准确分类。视频可以看作是一系列连续帧的序列，因此，RNN非常适合用于处理和分析视频数据。如图4-8所示，LSTM-CNN将LSTM和CNN结合进行视频分类。利用CNN和LSTM分别提取数据中的空间特征和时间关系。视频分类方法——基于深度学习的视频分类方法(2)基于RNN的视频分类方法图4-8

RNN的视频分类方法2.视频分类根据人类大脑处理视觉信息的方式，研究人员们设计了一种双流网络，如图4-9(a)所示，通过一个RGB通道来建模空间信息，一个光流通道来建模时序信息，实现静态图像特征和运动信息统一，将两种信息融合，以达到互补的提取和分类的目的。视频分类方法——基于深度学习的视频分类方法(3)双流网络视频分类方法图4-9(a)

双流网络视频分类一般方法2.视频分类如图4-9(b)所示，KarenSimonyan等人利用一个空间流卷积网络(SpatioStreamConvNet)对单个视频帧进行操作，从静止的图像中进行动作识别，学习场景信息；一个时间流卷积网络(TemporalStreamConvNet)对光流图像进行操作，通过多帧画面的光流位移来获取画面中物体的运动信息。最后通过将两种信息进行融合，实现视频分类功能。视频分类方法——基于深度学习的视频分类方法(3)双流网络视频分类方法图4-9(b)

KarenSimonyan等人的方法细粒度分类033.细粒度分类什么是细粒度分类？细粒度图像分类(Fine-grainedimageclassification,FGIC)是指对具有较小类别间差异的图像进行细致分类的任务。相较于普通的图像分类任务，细粒度分类更加注重对细微差异的区分，比如识别不同种类的鸟类、狗类品种及车辆型号等。细粒度图像的类别精度更加细致，类间差异更加细微，往往只能借助于微小的局部差异才能区分出不同的类别。由于子类别间存在较大的类内差异和较小的类间差异，细粒度分类具有较大的难度。同时细粒度图像的类内差异较大，且存在着姿态、光照、遮挡、背景干扰等诸多不确定因素。细粒度分类的操作过程与图像分类存在以下不同：在数据预处理阶段，细粒度分类需要跟家精细的预处理数据，以增强模型的泛化能力；在特征提取阶段，细粒度分类更强调提取局部特征；细粒度分类模型的设计更复杂、训练也要更难。3.细粒度分类细粒度图像识别领域常用的数据集主要有CUB200、StanfordDogs、OxfordFlowers、FGVC-Aircraft、StanfordCars、TsinghuaDogs，详细信息如表4-4所示。细粒度分类常用的数据集表4-4细粒度分类常用数据集数据集发表年份类型图像总数细粒度分类总数CUB2002011/Caltech鸟类数据集11788200StanfordDogs2011/CVPR狗类数据集20580120OxfordFlowers2008/CVGIP花类数据集8189102Aircrafts2013/CVPR飞机数据集10200100StanfordCars2013/ICCVW汽车数据集16185196TsinghuaDogs2020/狗类数据集704281303.细粒度分类传统方法是基于人工特征实现，主要依赖于对图像的深入理解和特征工程。通过提取图像的局部特征，例如尺度不变特征变换(Scale-InvariantFeatureTransform,

SIFT)或方向梯度直方图(HistogramofOrientedGradient,

HOG)，捕捉到图像中的局部细节和结构信息。这一类方法的特征描述能力越强，分类准确率高。细粒度分类方法——传统细粒度分类方法不足之处：人工特征的表达能力是有限的，且人工设计的特征可能无法充分捕捉到图像中的复杂结构和细节。此外，人工特征的提取和编码过程可能受到光照、角度、遮挡等因素的影响，导致分类性能的下降。3.细粒度分类随着深度学习的发展，基于深度学习的细粒度分类方法层出不穷，目前主要包括基于常规图像分类网络的方法、基于细粒度特征学习的方法、基于视觉注意力机制的方法。细粒度分类方法——基于深度学习的细粒度分类方法该方法的核心思想是利用在大规模数据集上预训练的深度卷积神经网络模型，通过微调其参数来适应细粒度分类任务。这种方法大多直接采用常见的深度卷积网络，如AlexNet、VGG、GoogleNet、ResNet和DenseNet等。然而，在细粒度分类中，由于不同物种之间的差异较小，因此直接将图像分类网络用于细粒度图像分类，效果可能不明显。基于常规图像分类网络的方法3.细粒度分类随着深度学习的发展，基于深度学习的细粒度分类方法层出不穷，目前主要包括基于常规图像分类网络的方法、基于细粒度特征学习的方法、基于视觉注意力机制的方法。细粒度分类方法——基于深度学习的细粒度分类方法基于细粒度特征学习的方法是通过探索图像的局部细节和上下文信息，提取出具有高度判别性的特征，以实现对不同子类别的精确区分。这种方法专注于从图像中学习到更具区分性的特征表示。由于深度卷积网络能够学习到非常鲁棒的图像特征表示，因此这类方法通常利用CNN来提取全局和局部特征。例如，2016年提出的SPDA-CNN通过定位并提取图像中的关键语义部分，实现了对细粒度特征的精确捕捉，并在多个细粒度分类任务上取得了显著的性能。基于细粒度特征学习的方法3.细粒度分类随着深度学习的发展，基于深度学习的细粒度分类方法层出不穷，目前主要包括基于常规图像分类网络的方法、基于细粒度特征学习的方法、基于视觉注意力机制的方法。细粒度分类方法——基于深度学习的细粒度分类方法基于注意力机制的方法通过模拟人类视觉系统的注意力机制，使模型能够自动定位并关注图像中的关键区域，从而提取出对分类任务至关重要的特征。例如，微软亚洲研究院在2017年提出的循环注意力卷积神经网络(RA-CNN),

利用一个判别区域注意力模块和一个基于区域的特征表征模块以互相强化的方式进行递归学习，通过不同尺度的输入经过多个阶段的注意力模块，逐步定位和提取图像中的关键区域特征，从而实现对细粒度图像的精确分类。基于视觉注意机制的方法视觉分类的实际应用044.视觉分类的实际应用在计算机视觉任务中，医学图像分类是从医学图像中提取特征并进行分类，从而识别和了解人体的哪