(共40张PPT)
第2课
图像分类的实现
——体验训练模型与应用全过程
（清华大学版）六年级
上
1
核心素养目标
3
新知讲解
5
拓展延伸
7
板书设计
2
新知导入
4
课堂练习
6
课堂总结
课后作业
8
01
核心素养目标
信息意识
计算思维
数字化学习与创新
信息社会责任
理解并尊重同学的隐私，学会安全地收集和处理敏感数据（如项目设计），避免不当分享。
通过对图像进行处理、分析和判别，从而识别各种物体类别的过程称为图像分类。
学习通过认识信息的获取、处理和应用在这基础上，以确保最终的图像分类系统能够有效、准确地工作。
能够了解机器对图像分类与人类对图像进行分类的共同点与区别，提取同类图像的共同特征，进行训练，从而建立图像分类模型。
02
新知导入
人类能轻松地辨认出飞机、轮船、自行车、计算机等物品的图像，机器也能通过“学习”来辨认出图像，并对它们进行分类。那么机器是如何“认识”这些图像的呢 它们看到的画面与我们看到的是一样的吗 本节课，我们就来了解机器是如何实现图像分类的吧。
02
新知导入
02
新知导入
思考
请同学们开展小组讨论，说一说，你们心中的机器对图像分类与人类对图像进行分类是否相同，共同点与区别在哪里。
02
新知导入
两者并不完全相同！以下是这两者的共同点与区别。
共同点：
1.目标一致：无论是机器还是人类，图像分类的最终目标都是将图像归类到特定的类别中。
2.特征提取：人类和机器都依赖于特征来进行分类。
3.学习能力：人类通过经验和学习不断提高分类能力，机器也通过训练数据和算法优化不断提升分类准确率。
02
新知导入
区别：
1.处理方式：人类的分类过程通常是直观和感性的，依赖于经验和背景知识，而机器则是基于数学模型和算法进行计算，缺乏直观理解。
2. 适应性：人类在面对新情况或模糊图像时，能够灵活调整判断标准，而机器在训练数据之外的图像分类能力可能会大幅下降。
02
新知导入
3. 情感与文化：人类的分类可能受到情感、文化背景等因素的影响，而机器的分类则是基于数据和算法，缺乏情感和文化的考量。
4. 错误类型：人类可能会因为注意力分散或情绪影响而犯错，而机器的错误通常是由于算法不完善或训练数据不足。
02
新知导入
03
新知讲解
一、人类分类图像
人类通过眼睛获取图像信息，视觉神经系统再将看到的图像传输给大脑进行处理，大脑根据自己的经验、知识、推断对看到的图像进行分类，把具有相同特征的图像归为一类。所以，人类分类图像的步骤可粗略分为观察特征和选取特征进行分类两步。
03
新知讲解
观察特征
人们要对图像进行分类，首先要观察图像中各种不同事物的特征。一张图像包含着许多特征，如颜色、图案、形状及大小。如图 1.2.1 所示，一张扑克牌的特征信息包括花色、数字。
图 1.2.1 图像上的信息
03
新知讲解
选取特征进行分类
选择不同的特征进行分类会产生不同的分类结果，分类结果的精细程度也不一样。如图 1.2.2 所示，一组扑克可以按颜色分类、按图案分类，也可以按数字进行分类。
图1.2.2 扑克牌的不同分类方法
03
新知讲解
观察图 1.2.3 的图像，对它们进行分类，并将同一类别的序号填在同一方框中，与小组同学分享你这样分类的原因。
课堂活动
03
新知讲解
陆地交通工具：
2，4，7
水上交通工具：
1，6
空中交通工具：
3，5，8
图 1.2.3 不同事物图像
03
新知讲解
原因：图片上的全都为交通工具，所以可以将它们分为三大类，分别为陆地、水上、空中，然后将其归类。
课堂活动
03
新知讲解
二、计算机分类对象
与人类对物体进行分类过程相比，计算机要对物体进行分类需要首先进行观察识别，提取同类图像的共同特征，进行训练，从而建立图像分类模型。计算机通过对图像进行处理、分析和判别，从而识别各种物体类别的过程称为图像分类。图像分类的过程包括输入训练集、训练图像分类模型、进行图像分类。
03
新知讲解
输入训练集
机器进行分类之前有一个学习的过程，需要人为输入足够数量图片，并给图片贴上标签作为学习训练的样本，让机器知道这些图片属于什么类型，贴有相同标签的图片属于同一类别。这些供机器进行学习的图片统称为训练集。如图1.2.4 所示，给计算机输入鸟的训练集，标签命名为“bird”当然也可以是其他名称，标签起到的作用主要是区别或标记。
图 1.2.4 输入标签为“bird”的训练集
03
新知讲解
训练图像分类模型
在训练图像分类模型之前，先来看一下计算机视角的这些图片是什么样子的。如图 1.2.5 所示，如果一张图片被放大，我们可以观察到该图片是由一个一个小格子组成的，每个格子是一个色块，每个色块代表相应的像素数据，计算机能看懂的就是这些数据。
图 1.2.5 计算机中图像的表示
03
新知讲解
训练图像分类模型
对于人类而言，从图像中提取特征点的过程并不复杂或困难，只需要眼睛看到图片，正常情况下大脑就会获取特征。但计算机看见的是一串图像数据,因此需要借助特定的算法，才能从中找到数据变化的规律，经过一系列的训练，最终生成图像分类模型。训练模型的一般过程如图 1.2.6 所示。
图 1.2.6 训练模型的过程
03
新知讲解
进行图像分类
对未分类的图像进行图像分类时，需要先加载训练好的图像分类模型，然后通过摄像头获取图像信息并转化为计算机能理解的数据，最后将数据特征与模型中已有的分类进行对比，推算出图像属于各个分类的概率，概率最大的分类名称就是最后输出的图像分类的结果，如图 1.2.7 所示。
图 1.2.7 图像分类测试
图3.2.5 新语音使用模型识别的过程
04
课堂练习
贵州省地质博物馆是一座专门的自然资源博物馆，位于贵阳市观山湖区云潭南路与兴筑西路交叉口的繁华地段。该博物馆占地面积约4万平方米，展陈面积达到 1.6 万余平方米。馆内收藏了大量珍贵的自然资源和文化物品，其中包括古生物化石、矿物晶体、岩矿标本等超过 10 万件的藏品。请从网上查找不同角度或样式的馆藏作品古生物化石、矿物晶体、岩矿标本等3 类图片，使用第1课的图像分类程序(见第9页) 对图片进行分类，将分类结果记录在表 1.2.1 中 (分类正确打”√“，分类错误打“×”)，统计分类失败的图片， 并与小组成员谈一谈你认为无法分类的原因。
实践
04
课堂练习
实践
古生物化石图1
古生物化石图2
04
课堂练习
实践
矿物晶体图1
矿物晶体图2
04
课堂练习
实践
岩矿标本图1
岩矿标本图2
图3.2.5 新语音使用模型识别的过程
04
课堂练习
实践
图片内容 图片序号 图片类别 原因分析
古生物化石 1 计算机分类 分类失败的图片有
岩矿标本1，矿物晶体1
古生物化石1
你认为无法分类的原因是
1.图片质量：图片模糊或光线不足
2.人为因素：在选择和标记图片时，可能存在主观判断的偏差。
3类别相似性：某些古生物化石、矿物晶体或岩矿标本之间可能存在相似性，导致分类程序混淆。
人类分类
2
矿物晶体 1 人类分类
2 计算机分类
岩矿标本 1 计算机分类
2 人类分类
05
拓展延伸
ImageNet 挑战赛
图像分类的应用十分广泛，机器的识别率与人类相比，哪个更高呢
这要比一比才知道。ImageNet 挑战赛是机器视觉领域的世界级竞赛，该比赛的任务之一就是让机器自动完成对 1000 张片的分类。在 2010 年首届比赛中，冠军团队的错误率达 28.2%。
05
拓展延伸
ImageNet 挑战赛
那人类的错误率是多少呢
如果把竞赛用的数据集交给人类进行学习和识别，人类的错误率是 5.1%。而在2015 年微软亚洲研究院的团队提出的网络结构中，机器的错误率为 4.9%，其准确度首次超过了人类。2017 年，机器对图片分类的错误率降低至2.3%，这也是最后一次举办此项比赛，因为机器已经能够比较好地解决图片分类问题了。
05
拓展延伸
ImageNet 挑战赛
原来科技进步的背后是人们不断的创新与突破，我也要努力学习，攀登科技高峰。
05
拓展延伸
图像分类在日常生活中的主要应用 ：
1.医疗影像分析 ：通过对医学图像（如X光片、CT扫描、MRI等）的分类，帮助医生诊断疾病，例如肿瘤检测、肺炎识别等。
2. 自动驾驶：在自动驾驶汽车中，图像分类用于识别交通标志、行人、其他车辆和障碍物，以确保安全驾驶。
3.安防监控：在视频监控系统中，图像分类可以用于识别可疑行为、入侵者或特定事件（如火灾、打斗等）。
4.社交媒体和内容管理：社交媒体平台利用图像分类技术对用户上传的照片进行自动标记和分类，提升用户体验和内容管理效率。
05
拓展延伸
图像分类在日常的具体应用案例：
1.农业作物监测：通过无人机拍摄的图像，分类和识别作物的健康状况，检测病虫害。
2.人脸识别：在监控视频中自动识别和分类人脸，用于身份验证和安全监控。
3.商品识别：在自助结账系统中，通过图像分类技术识别商品，提升购物体验。
4. 垃圾分类：通过图像识别技术自动分类垃圾，促进垃圾回收和环境保护。
5艺术品鉴定：通过图像分类技术帮助鉴定艺术品的真伪和风格。
6.病理切片分析：对组织切片进行分类，辅助病理学家识别癌症
细胞。
05
拓展延伸
图像分类在日常的具体应用案例：
7.社交媒体：平台如Facebook和Instagram使用图像分类技术来自动标记照片中的人物、物体和场景，从而提高用户体验和内容推荐的准确性。
05
拓展延伸
图像分类在日常的未来发展趋势：
1.实时和在线学习：图像分类系统将越来越多地采用实时学习和在线学习的方法，以便在新数据到达时快速更新模型，适应动态变化的环境。
2.集成学习和迁移学习：集成学习和迁移学习将被广泛应用，以提高模型的泛化能力和在小样本情况下的表现。
3.深度学习的持续进步：随着深度学习技术的不断发展，尤其是卷积神经网络的改进，图像分类的准确性和效率将进一步提高。新型网络架构（如EfficientNet、Vision Transformers等）将被广泛应用。
06
单元总结
活动日志 班级：XX 姓名：XX
任务名称 图像分类的实现——体验训练模型与应用全过程
任务环节 1口 2口 3口 4口（在对应环节画V）
任务完成内容 对图片进行分类，将分类结果记录
任务完成度 口口口口口口口口口(100%)
任务小结 问题与反思：项目做的不完善
改进的方法：多练习或者询问老师和同学诀窍
07
课堂总结
1
引入新知内容
图像分类的实现——体验训练模型与应用全过程
2
学习人类分类图像
3
学会计算机分类对象
4
完成课题练习
5
进行相关知识拓展
1
2
3
4
5
08
板书设计
图像分类的实现——体验训练模型与应用全过程
1.进行新知引入
2.学习人类分类图像
3.学习计算机分类对象
4.完成课堂练习
5.进行知识拓展
09
课后作业
01
在本节课完成后，想一想，图像分类的应用场景有哪些？
09
课后作业
02
请同学们在小组内讨论一下，对于图像分类应用，你还有哪些创意呢？
https://www.21cnjy.com/recruitment/home/fine
