我认为大多数阅读本文的人都对机器学习有所了解. 我认为没有必要在学术上解释这种含义. 人类学习的目的不是识别更多的东西，机器学习也是如此，也就是说，让计算机通过学习类比来学习更多的东西.
在这里，我们让计算机知道图像. 要让计算机知道事情，我们必须首先教他. 他了解自然，所以我们准备了许多样本来告诉计算机什么是正方形，什么是李子等. 当有足够的样本时，计算机可以通过类比来区分看到的东西.
机器学习算法有很多，例如KNN，K-means，决策树，SVM，贝叶斯等. 我们提取样本和目标的特征数据，然后应用这些分类算法来达到目的. 分类事物. 简单完成机器学习过程. 当然图像识别 android，机器学习不仅用于分类，而且还用于越来越复杂的事物. 目前，机器学习在图像识别领域中不断变化的应用实际上已用于分类. 因此，图像分类是图像识别中最基本，最重要的任务之一.
在任何情况下，要进行任何分类，您都需要有一个分类目标，例如植物是什么科，那么分类目标就是该植物，而样本自然是我们拥有的各种植物和植物类别定义. 谁是一个人，我们可以使用ta的面部特征进行分类，面部是需要分类的目标. 在同一图像分类中，我们必须首先找到分类目标. 例如，我们需要知道图片中是否有苹果. 通常，我们需要扣除可能有苹果的地方，并将其与苹果图片进行比较. 相比之下，当匹配度达到一定程度时，我们认为拍摄照片的区域是苹果. 该过程通常称为图像分割，这是图像识别中必不可少的过程. 图像分割的效果直接影响图像识别的最终效果. 为了解决这个过程，人们提出了许多算法来解决这个问题. 在我看来，图像分割仍然是一项需要不断改进的技术. 碰巧，这个开源项目中使用的图像分割非常简单，您不需要了解太多的原理，也可以很好地完成此任务.
当前图像识别领域主要有两种图像识别方法: 单步法和基于候选人的识别. 一步法，例如yolo算法，他将未知图片直接传送到神经网络，无需搜索候选区域即可识别目标对象. 基于候选区域方法，还有一个过程. 首先是寻找可能存在物体的候选区域. 第二步是将这些候选区域与已知样本进行比较. 如果匹配达到一定程度图像识别 android，则认为物体被识别.
基于候选区域的算法的优缺点如下:
样本很少，运行效率更高，算法更易于理解且设备更便宜，但是某些情况无法通过单步方法解决或效果非常差，此开源项目基于候选区域方法. 解决问题.
单步方法的优缺点:
更多的样本和单步方法使用更多的神经网络，这对设备性能有很高的要求，并且可以解决更复杂的问题.
本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-242192-1.html
