很多计算机视觉问题能转化为图片分类问题。
图片分类中有那些问题：
1.角度变化
2.大小变化
3.形状变化，物体不一定是刚体，有可能极端变形
4.部分遮挡
5.光照条件
6.背景杂斑
7.同一物体但是外观不同，比如椅子，可能有很多种不同的外观
图片分类问题所用到的方法一般是数据驱动的方法
NN算法：
1.训练时只是记住所有训练数据
2.分类预测时把测试数据和所有记住的数据比较，找出距离最小的那张图的标签值，即为预测值
KNN算法：
1.取K个距离最小的图片，K值越高，一般平滑效果越好，分类器对异常值的抵抗能力越强
超参数选择问题，不能使用最后的测试集来作参考，否则会出现过拟合问题，因为此时相当于把测试集作为训练集认为地调整了超参数。为解决这个问题，可以把训练集分为两部分，一部分仍然作为训练集，一部分作为验证集，把验证集的结果作为调整超参数的依据。
cross-validation用于训练数据较少的时候，将训练数据分为K份，其中(K-1)份的数据用于训练，剩下的一份数据用于验证，一共迭代K次，使每一份数据都参与过验证，最后取结果的平均值。
我们更愿意接受的结果是在训练阶段消耗较多时间，预测阶段消耗较少时间，而不是两者相反，因此，NN算法和KNN算法用于分类是不是理想的算法。
直接使用像素来计算图像间的距离是不合适的，因为受背景的影响太大。
如果能够承受计算所需消耗的时间的开支则推荐使用cross-validation，并且分成越多份越好，但这同时会使时间开支更加昂贵。