1. Image Classification

1.1 Classification?

👉 주어진 입력 데이터를 사전에 정의된 클래스로 할당하는 작업

1.2 Image Classification

👉 이미지 데이터가 내포하는 의미에 대해 사전 정의된 클래스로 할당
컴퓨터는 0,1 밖에 모르는 바보.. 그래서 그걸 CNN으로 특성을 파악하고 그걸 통해 Classification 을 자주함.

2. 라벨에 따라

2.1 Binary Classification

데이터를 두 개의 클래스 중 하나로 분류하는 작업

Sigmoid

$\sigma(x) = \frac{1}{1+e^{-x}}$

• 출력범위 :(0,1)
• S자 곡형

2.2 Multi-Class Classification

데이터를 여러 개의 클래스 중 하나로 분류하는 작업

Softmax

$\sigma(z)_i = \frac{e^{z_i}}{\displaystyle \sum^n_{j=1} e^{z_j}}$

• 출력범위 :(0,1) 출력값들의 합이 1임
• S자 곡형

2.3 Multi-label Classification

데이터가 여러 개의 클래스로 동시에 분류될 수 있는 문제.

-> 위에 sigmoid 각 클래스마다 적용한다는 점에서 위에 softmax적용한 것과 다르다.

3. 개체의 속성에 따라

3.1 Coarse-grained Classification

• 상대적으로 큰 범주로 객체를 분류
  

3.2 Fine-grained Classification

• 동일한 상위 범위내에서 세부적인 하위 범주로 분류.
  

4. 참고사항

(1) Multilabel Image Classification Using Deep Learning
https://www.mathworks.com/help/deeplearning/ug/multilabel-image-classification-using-deep-learning.html

(2) Fine-Grained Image Analysis with Deep Learning: A Survey
https://arxiv.org/abs/2111.06119

(3) Few shot Classification
https://arxiv.org/pdf/2303.07502

(4) one shot Classification
https://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf