深度学习第二课--图像识别与KNN
2016-06-01 22:34
274 查看
图像分类的难点
视角不同尺寸不同
变形
光影
背景干扰
同类内的差异
例如躺椅、座椅、
图像识别的核心
数据驱动学习。就像人看过很多猫以后,就知道什么是猫。把很多同一类的图片“喂给”计算机,让计算机自己去学习该类图片的特征。之后做出评估。
KNN解决图片分类
利用图片与图片之间的距离。根据距离最近的N张图片的标签决定预测图片的分类。图片之间的距离可以用曼哈顿距离、欧式距离或者余弦距离表示。 KNN的优点是思路简单,但是预测的时候需要与所有训练集图片比较,时间长。而且效果也不好。基本上是颜色一致的图片是最近邻的。
相关文章推荐
- 多线程编程
- 【Java学习之路之2】对象和类的关系
- iOS 判断字符是全角还是半角
- Android 在外部存储读写文件
- require.js的简单使用
- DisableExplicitGC和Direct ByteBuffer
- key/value存储系统-Memcached、Redis、Tair
- 基于JQuery的messager弹窗组件开发
- CS231n课程笔记翻译
- phpcms中session的处理
- 多进程与多线程通信
- 团队冲刺第六天
- hdu 5212 Code
- AndroidStudio主题设置
- Shortest Path
- 求满足条件 n=a!+b!+c! 的所有三位数
- Android6.0 运行时权限
- android AsyncTask介绍
- [置顶] 谈谈我对攻读计算机研究生的看法(转)
- 有序广播