1.2 传统的图像分类算法
1.2 传统的图像分类算法
对抗样本的一个重要应用场景就是在机器视觉领域，下面我们重点介绍一下其中的图像分类。图像分类是根据图像的原始信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。图1-9所示为图像分类识别不同的花的品种。图像分类在很多领域有广泛应用，包括安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。
图1-9 图像分类识别不同的花的品种
在cnn出现之前，图像分类算法依赖于复杂的特征工程，常用的特征提取方法包括sift（scale-invariant feature transform，尺度不变特征转换）、hog（histogram of oriented gradient，方向梯度直方图）、lbp（local binray pattern，局部二值模式）等，常用的分类算法为svm。
对抗样本的一个重要应用场景就是在机器视觉领域，下面我们重点介绍一下其中的图像分类。图像分类是根据图像的原始信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。图1-9所示为图像分类识别不同的花的品种。图像分类在很多领域有广泛应用，包括安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。
图1-9 图像分类识别不同的花的品种
在cnn出现之前，图像分类算法依赖于复杂的特征工程，常用的特征提取方法包括sift（scale-invariant feature transform，尺度不变特征转换）、hog（histogram of oriented gradient，方向梯度直方图）、lbp（local binray pattern，局部二值模式）等，常用的分类算法为svm。