1.图像分类
图像分类顾名思义就是一个模式分类问题，它的目标是将不同的图像，划分到不同的类别，实现最小的分类误差。
2.单标签分类
**单标签分类**：总体来说，对于单标签的图像分类问题，它可以分为**跨物种语义级别的图像分类(`cifar10`)，子类细粒度图像分类(`Caltech-UCSD Birds-200-2011`)，以及实例级图像分类(`人脸识别`)**三大类别。
虽然基本的图像分类任务，尤其是比赛趋近饱和，但是现实中的图像任务仍然有很多的困难和挑战。如类别不均衡的分类任务，类内方差非常大的细粒度分类任务，以及包含无穷负样本的分类任务。
3.多标签分类
**多标签分类**：多标签分类问题，通常有两种解决方案，即转换为多个单标签分类问题，或者直接联合研究。前者，可以训练多个分类器，来判断该维度属性的是否，损失函数常使用softmax loss。后者，则直接训练一个多标签的分类器，所使用的标签为0,1,0,0…这样的向量，使用hanmming距离等作为优化目标。
原文链接：https://blog.csdn.net/ccsss22/article/details/126560029?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171851498816800184188889%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=171851498816800184188889&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-22-126560029-null-null.nonecase&utm_term=AI%E9%9D%A2%E8%AF%95
