Image classification pipeline

Image classification

• 정의: 사진을 보고 사물을 판단하는 것(CV계열)

• 특징: Image classification 가능-> Detection, Segmentation, Image captioning가능

• Problem

  • semantic gap

• challenges

  • viewpoint variation
  • lllumination
  • Deformation
  • Occlusion
  • Background clutter
  • Intraclass variation

• An image classifier

  def predict(image):

  #code

  return class_label
  

• Data-driven approach

  i) 이미지와 레이블이 있는 데이터 셋 만들기

  ii) 이미지 분류기가 학습하기 위해 ML 사용한다

  iii) 테스트 이미지를 넣어서 분류기가 잘 판단하는지 판단한다.

  iv) 코드로 구현

  def train(train_images, train_labels):
  #build a model for image -> labels...
  return model

  def predict(model, test_images):
  #predict test_labels using the model...
  return test_labels

  Nearest Neighbor Classifier

  : 학습용으로 주로 쓰이지 현재는 쓰이지 않는 방식

  : Remember all training images and their labels( def train)

  : Predict the label of the most similar training image( def predict)

• Example dataset: CIFAR - 10 (Slides 2-19 참고)

  

: code로 구현

• training data의 사이즈에 따라서 속도는 선형적으로 늘어난다.

• L2 기법을 이용하면 훈련 데이터안에서 NN 분류기의 정확성은 100%이다

Distance metric(Hyperparameter)

L1 distance

• 공식 :

• 예시 :

  L2 distance

• 공식 :

K-Nearest Neighbor

• K : Hyperparameter이다

• K개의 가장 가까운 이미지들을 찾은 후 이 이미지들이 다수결로 보딩을 하는 것.

• NN보다 성능이 좋음

• 대략적 모습 사진으로 보기

• 훈련 데이터안에서 K- NN 분류기의 정확성은 Case by case 이다.

• 테스트 시간이 너무 길다

Try to find best hyperparameters for test set

• traind data가 적절한 경우

• train data가 적은 경우

• distance metrics가 매우 직관적이지 않음

• 단편적 예시

  

Linear Classification

-정의 : 이미지 안에서 모든 픽셀 값들의 가중치의 합.

• f(x, W) = Wx

  • x: image

  • W: parameters

• Example

--> 색상에 의존하는 경향성이 있기 때문에 그리 좋진 않음

• Linear Classifier이 분류하기 어려운 데이터 셋

  i) Negative Film (정 반대의 색으로 처리) : 형태 인식은 하지만 컬러가 반대이기에 힘듦.

  ii) Gray color: 색이 기준이 아니라 다른 세부사항 기준으로 보아야하기 때문에 어렵다

  iii) 형태는 다르지만 색상이 동일: 분간하기 힘들다.

• interpreting a linear classifier(공간적 해석)

  : Score function - f(xi,W,b) = Wxi + b