卷积神经网络用于图像分类，最早可以追溯到Lenet-5,它最早被应用于手写数字的识别，并且取得了不错的分类效果。

因为通常数据集是要求我们自己收集，而且有些数据并不是特别容易收集的，会遇到采集仪器价格昂贵、样本可收集性不高等问题。

这就说明了一个潜在的问题，数据集要多大才能用于分类网络中。

下面，送给大家三句话：

训练集中每个类应有1000张图像；

所用图像应当是具有代表性的高质量图像；

如果图像数量不够，可采用数据增强方法。

对于小样本数据如何处理

1、迁移学习

因为你正在使用是已经查看过大量图像并且学会区分类的网络，所以通常可以教给模型同一领域的新类，只需要几十个数据样本即可。

2、数据增强

博主分享几个自己常用的数据增强代码。

"伽马变换"
img = cv2.imread(file_pathname+'/'+filename, 1)
# 图像归一化
fi = img / 255.0
# 伽马变换
gamma = 0.8  #自己设定
out = np.power(fi, gamma)
out = out * 255

"平移"
def affine(img, a, b, c, d, tx, ty):  #平移H,  W,   = img.shapetem = img.copy()img = np.zeros((H + 2, W + 2, ), dtype=np.float32)img[1:H + 1, 1:W + 1] = temH_new = np.round(H * d).astype(np.int)W_new = np.round(W * a).astype(np.int)out = np.zeros((H_new + 1, W_new + 1, ), dtype=np.float32)x_new = np.tile(np.arange(W_new), (H_new, 1))y_new = np.arange(H_new).repeat(W_new).reshape(H_new, -1)adbc = a * d - b * cx = np.round((d * x_new - b * y_new) / adbc).astype(np.int) - tx + 1y = np.round((-c * x_new + a * y_new) / adbc).astype(np.int) - ty + 1# 避免目标图像对应的原图像中的坐标溢出x = np.minimum(np.maximum(x, 0), W + 1).astype(np.int)y = np.minimum(np.maximum(y, 0), H + 1).astype(np.int)# assgin pixcel to new imageout[y_new, x_new] = img[y, x]out = out[:H_new, :W_new]out = out.astype(np.uint8)return out

"旋转"
def remote(img, degree):height, width = img.shape[:2]radians = float(degree / 180 * pi)heightNew = int(width * fabs(sin((radians))) + height * fabs(cos((radians))))widthNew = int(height * fabs(sin((radians))) + width * fabs(cos((radians))))# 得到二维矩阵的旋转的仿射矩阵matRotation = cv2.getRotationMatrix2D((width / 2, height / 2), degree, 1)# 中心位置的实际平移matRotation[0, 2] += (widthNew - width) / 2matRotation[1, 2] += (heightNew - height) / 2imgRotation = cv2.warpAffine(img, matRotation,(widthNew, heightNew), borderValue=(0,0,0))return imgRotation

3、基于Keras的Data Augmentation方法

代码如下：

from keras.preprocessing.image import ImageDataGenerator
"""
parameters：rotation_range：整数，数据提升时图片随机转动的角度width_shift_range：浮点数，图片宽度的某个比例，数据提升时图片水平偏移的幅度height_shift_range：浮点数，图片高度的某个比例，数据提升时图片竖直偏移的幅度rescale: 重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前)shear_range：浮点数，剪切强度（逆时针方向的剪切变换角度）zoom_range：浮点数或形如[lower,upper]的列表，随机缩放的幅度，若为浮点数，则相当于[lower,upper] = [1 - zoom_range, 1+zoom_range]fill_mode：‘constant’‘nearest’，‘reflect’或‘wrap’之一，当进行变换时超出边界的点将根据本参数给定的方法进行处理cval：浮点数或整数，当fill_mode=constant时，指定要向超出边界的点填充的值channel_shift_range: Float. Range for random channel shifts.horizontal_flip：布尔值，进行随机水平翻转vertical_flip：布尔值，进行随机竖直翻转"""datagen = ImageDataGenerator(rotation_range=40,width_shift_range=0.2,height_shift_range=0.2,rescale=1./255,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest'，cval=0,channel_shift_range=0,horizontal_flip=False,vertical_flip=False,rescale=None)

数据增强告一段落，接下来就正式进入卷积神经网络的学习。

AlexNet

alexnet实现手写数字的识别

"直接用代码的形式来表达网络结构"
model = Sequential()
model.add(Conv2D(96, (11, 11), strides=(1, 1), input_shape=(28, 28, 1), padding='same',activation='relu',kernel_initializer='uniform'))
# 池化层
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
# 第二层加边使用256个5x5的卷积核，加边，激活函数为relu
model.add(Conv2D(256, (5, 5), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
#使用池化层，步长为2
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
# 第三层卷积，大小为3x3的卷积核使用384个
model.add(Conv2D(384, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
# 第四层卷积,同第三层
model.add(Conv2D(384, (3, 3), strides=(1, 1), padding='same',activation='relu', kernel_initializer='uniform'))
# 第五层卷积使用的卷积核为256个，其他同上
model.add(Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
model.summary()

VGG

一个5x5的卷积核用两个串联的3x3卷积核来代替

VGG11、13、16、19，SimpleVGG

"VGG13"
model = Sequential()
model.add(Conv2D(64, (3, 3), strides=(1, 1), input_shape=(32, 32, 3), padding='same', activation='relu',kernel_initializer='uniform'))
model.add(Conv2D(64, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(128, (3, 2), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(Conv2D(128, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(512, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(Conv2D(512, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(512, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(Conv2D(512, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

GoogLeNet

虽然深度只有22层，但大小却比AlexNet和VGG小很多，GoogleNet参数为500万个，AlexNet参数个数是GoogleNet的12倍，VGGNet参数又是AlexNet的3倍，因此在内存或计算资源有限时，GoogleNet是比较好的选择；从模型结果来看，GoogLeNet的性能却更加优越。

Resnet

ResNet引入了残差网络结构（residual network），通过这种残差网络结构，可以把网络层弄的很深（据说目前可以达到1000多层），并且最终的分类效果也非常好。

Densenet

密集连接：缓解梯度消失问题，加强特征传播，鼓励特征复用，极大的减少了参数量。

总结：上诉神经网络都经常用于图像分类中，并辅之迁移学习。

卷积神经网络：用于图像分类相关推荐

图像处理神经网络python_深度学习使用Python进行卷积神经网络的图像分类教程
深度学习使用Python进行卷积神经网络的图像分类教程好的,这次我将使用python编写如何使用卷积神经网络(CNN)进行图像分类.我希望你事先已经阅读并理解了卷积神经网络(CNN)的基本概念,这里 ...
卷积神经网络和图像分类识别
Andrew Kirillov 著 Conmajia 译 2019 年 1 月 15 日原文发表于 CodeProject(2018 年 10 月 28 日). 中文版有小幅修改,已获作者本人授权. ...
【神经网络与深度学习】CIFAR10数据集介绍，并使用卷积神经网络训练图像分类模型——[附完整训练代码]
[神经网络与深度学习]CIFAR-10数据集介绍,并使用卷积神经网络训练模型--[附完整代码] 一.CIFAR-10数据集介绍 1.1 CIFAR-10数据集的内容 1.2 CIFAR-10数据集的结 ...
pytorch1.7教程实验——迁移学习训练卷积神经网络进行图像分类
只是贴上跑通的代码以供参考学习参考网址:迁移学习训练卷积神经网络进行图像分类需要用到的数据集下载网址: https://download.pytorch.org/tutorial/hymenopt ...
轻松学Pytorch-使用卷积神经网络实现图像分类
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自|人工智能与算法学习大家好,本篇教程的贡献者来自社区投稿作 ...
MTCNN-将多任务级联卷积神经网络用于人脸检测和对齐
论文链接: https://kpzhang93.github.io/MTCNN_face_detection_alignment/,本文是根据自己的理解翻译的如有错误,还请见谅,评论提出,立马修 ...
Bag of Tricks for Image Classiﬁcation with Convolutional Neural Networks（卷积神经网络在图像分类中的技巧）
来源:Tong He Zhi Zhang Hang Zhang Zhongyue Zhang Junyuan Xie Mu L Amazon Web Services fhtong,zhiz,hzaw ...
经典卷积神经网络(CNN)图像分类算法详解
本文原创,转载请引用 https://blog.csdn.net/dan_teng/article/details/87192430 CNN图像分类网络一点废话:CNN网络主要特点是使用卷积层,这其 ...
在PyTorch中使用卷积神经网络建立图像分类模型
概述在PyTorch中构建自己的卷积神经网络(CNN)的实践教程我们将研究一个图像分类问题--CNN的一个经典和广泛使用的应用我们将以实用的格式介绍深度学习概念介绍我被神经网络的力量和能力所 ...

卷积神经网络：用于图像分类