类间相似性(inter-class similarity) www.marykateandashley.com news.bbc.co.uk/hi/english/in depth/americas/2000/us el ections 双胞胎 父子
类间相似性（inter-class similarity）
难点之二：计算量大 一幅图像中像素个数多，目前每秒约产生300G像素的 图像/视频数据。 -Google图片搜索中己有几百亿幅图像 -每天有3.5亿张以上的图片上传到Facebook(2015年) -全球销售约3.4亿部照相手机(2018年第一季度) 人的物体识别能力是强大的 ·灵长类动物约使用大脑皮层的一半来处理视觉信息、 [Felleman and van Essen 1991] -可以识别3,000-30,000种物体 ·物体姿态可允许30度以上的自由度
难点之二：计算量大 一幅图像中像素个数多，目前每秒约产生300G像素的 图像/视频数据。 - Google图片搜索中已有几百亿幅图像 - 每天有3.5亿张以上的图片上传到Facebook（2015年） - 全球销售约3.4亿部照相手机（2018年第一季度） 人的物体识别能力是强大的 - 灵长类动物约使用大脑皮层的一半来处理视觉信息 [Felleman and van Essen 1991] - 可以识别3,000-30,000种物体 - 物体姿态可允许30度以上的自由度
难点之三：如何在小样本条件下学习 低 (人为监督学习的复杂程度) 高 十 无标注，多物体 图像整体标注，有背 物体标注（分割到物 景混淆 体甚至部件)
难点之三：如何在小样本条件下学习
物体识别方法 》 检测(detection)vs.不检测 >表示(representation) 颜色、纹理、边缘、梯度、局部特征、深度、运 动等等。 y分类(classification or categorization) -K近邻(KNN) -神经网络(NN) 生成学习(Generative -支持向量机(SVM) learning.)vs.判别学习 Boosting(Adaboost) (discriminative -隐马尔科夫模型(HMM) learning) -其他
物体识别方法 检测(detection)vs. 不检测 表示(representation) - 颜色、纹理、边缘、梯度、局部特征、深度、运 动等等。 分类(classification or categorization) - K近邻（KNN） - 神经网络（NN） - 支持向量机（SVM） - Boosting(Adaboost等) - 隐马尔科夫模型（HMM） -其他 生成学习（Generative learning）vs. 判别学习 （discriminative learning）
生成学习Vs.判别学习 ，两种分类器学习模式 〉生成学习 目标是学习到待合训练数据的类别模型 -如EM算法(Maximum Likelihood) 判别学习 口在训练阶段即考虑类别之问的判别信息、 ☐包括Support Vector Machines(SVMs),Boosting,Minimum Classification Error (MCE),Maximum Mutual Information (MMI),Lager Margin (LM),and etc. ，判别学习算法比生成学习算法表现出更好的分类性能
生成学习 vs. 判别学习 两种分类器学习模式 生成学习 ---目标是学习到符合训练数据的类别模型 --- 如EM算法(Maximum Likelihood) 判别学习 在训练阶段即考虑类别之间的判别信息 包括Support Vector Machines (SVMs), Boosting, Minimum Classification Error (MCE), Maximum Mutual Information (MMI), Lager Margin (LM), and etc. 判别学习算法比生成学习算法表现出更好的分类性能