图像分类的主要难点
重磅干货，第一时间送达
图像分类是根据图像的类型（类别）为图像分配标签的过程。考虑我们有以下类别的图像：猫和狗因此，当我们将给定类别的图像提供给图像分类系统时，系统会根据类别为图像分配标签。例如，如果我们将下面给出的图像提供给“图像分类系统”。系统应为图像分配标签“ dog”。
图像分类的挑战：
1.类内变化
2.比例变化
3.视点变化
4.咬合
5.照明
6.背景杂波
类内差异是同一类图像之间的差异。类内变异的示例是在我们的数据集中具有多种类型的椅子。椅子可以是“办公椅”，“舒适椅”，“餐桌椅”，“装饰椅”等。
在上面的图片中，我们有不同类型的椅子。因此，我们的图像分类系统应该能够解决类内变异问题。
这个问题在图像分类中非常普遍。比例变化实际上是同一对象的图像具有多个大小。下图显示了同一对象__勺子的比例变化，但它们都是勺子的大小不同。
我们具有视点变化，相对于如何在图像中拍摄和捕获对象，可以在多个维度上定向/旋转对象。无论我们从哪个角度捕捉椅子的图像，它仍然是椅子。
我们要在图像中分类的许多对象无法完全查看。很大一部分隐藏在其他对象的后面。
给出的是猫的图像，但请注意，它是如何在封面下静止的，这在我们看来是封闭的。这意味着它不是完全可见，但是我们的图像分类系统应该能够将其检测为猫。
我们的图像分类还应该能够处理照明的变化。
这两个图像都属于同一杯，但是像素的强度级别有所不同。我们的图像分类系统应该能够处理光照的变化，因此当我们给图像分类系统提供相同物体的任何具有不同亮度（照度）的图片时，系统都应该能够为其分配相同的标签。
这意味着图像中有很多对象，对于观察者来说，找到特定对象非常困难。这些图像非常“嘈杂”。但是我们只对图像中的一个特定物体感兴趣；然而，由于所有的“噪音”，要挑出特定的物体并不容易。对于人类而言，这是一项非常艰巨的任务，因此请想象一下，对于没有图像语义理解的计算机而言，这是多么困难。
在某些情况下，即使图像中没有物体，例如，如果我们向图像分类系统显示仅冰的图像，系统也会将其标记为熊。这是因为图像分类系统在训练过程中已经学会了图像中的图案，并且有白熊和无熊的冰的图案非常相似。因此我们的图像分类系统应该能够解决背景混乱的问题。这就是图像分类系统所面临的挑战。