05 计算机视觉进阶本域第 3 篇

图像分类

不告诉它「猫有胡须」，给它看够多的猫，它自己会总结

定义

图像分类是给定一张图，输出它属于预定义类别集合中的哪一类（通常表示成每个类别的概率）。它不关心物体在哪里、有几个，只回答「这张图整体是什么」，是视觉任务中最基础、也是深度学习最早的爆发点。

直观理解

把分类器想成一位见多识广的鉴定师。你递给他一张照片，他在脑中把它与见过的上千万张逐一比照，最后给出「85% 是猫，10% 是狗，3% 是狐狸」的判断。深度学习做的，就是用海量带标签的图片，把这种比照直觉训练成一个可计算的过程。

图 1

ImageNet 上的十年：从 AlexNet 到 ViT，错误率断崖式下降，而「数据规模」始终是隐含的门槛

图 2

ImageNet 冠军模型的 top-5 错误率逐年下降，2015 年前后越过人类水平（虚线为人类约 5.1% 的参考线）

01
特征提取 → 分类头
卷积主干把图像逐步压成高层特征向量，最后一层全连接（或线性层）把它映射到 K 个类别的分数，softmax 归一化为概率分布。
02
损失与反向传播
交叉熵衡量预测分布与真实标签之间的差距；梯度反向传回，同时更新主干与分类头——全部参数被同一份损失一次性推动。
03
ImageNet 与架构的相互成就
2012 年 AlexNet 用 8 层卷积网络、两块 GPU 和 120 万张图，把 top-5 错误率从 25.8% 降到 15.3%。此后 VGG、GoogLeNet、ResNet 依次把错误率压到人类水平附近。
04
ViT：把图像当作词序列
2020 年的 ViT 把图像切成 16×16 的 patch，线性嵌入后当作 token 交给 Transformer。它在中小数据上不如 CNN，但在 JFT-300M 这类上亿量级数据上反超——说明架构的优势依赖数据规模。

图 3

CNN 与 ViT 的取舍：谁更依赖数据、谁更依赖归纳偏置