属性学习，中间层特征的应用

                                                                                            在图像检索，分类中，采用机器学习的方法是常见的，其基本流程是1图像特征计算 2 特征降维(有无监督)3 分类器分类 或(匹配)。那么其特征是最底层。有些想金字塔的塔底，也是维数最高的。那么图像特征如何得到呢？现行方法有如下几种(总结不全请各位大虾补充了)

                   1 手工设计 ，比如形状有关的HOG,GIST 纹理有关的LBP MLBP 颜色有关的颜色直方图。这些形成了高纬度空间

                   2 学习特征1 - 深度学习。这个是个热门的东西了，大家懂得，在网上随便搜都可以找到，这个深度学习，主要是仿照人眼的视觉特征，完成从图像到分类(拟合)的一次性过度。呵呵，细节就不在这里多说了。用兴趣的童鞋可以参考NY大学，多伦多大学，等大牛的基础性文章，CNN，RBN 等

                  3 属性特征，这个是一个有趣的东西，而且是和人的可以表达的认知有关的东西，比如说人脸吧，你可以通过很多属性来完整描述一个人脸，如是男人，亚洲的，有胡子，带帽子，很性感等待。这些东西在搜索中被称为关键词。关键词的建立，可以直接将搜索的问题转化为文本检索的问题。这是一个很好的跨度啊。

              那么这里有一个问题了，如何从图像到可以描述的属性呢，对了。一定有童鞋知道，可以是一种分类器的学习了，OK。

              那么对于一些属性是比较意义的，如很红，很黑等，这个如何映射呢？呵呵，没问题，一个大牛写了文章Relative Attribute,获得的Marr Prize的。

              属性完成了，就比较吧，呵呵，各位别着急。还有问题没有解决呢。关于空间是否可以想混转化呢？他们的度量是否一致呢？这是融合的问题。关于这个融合的问题，EVT方法(Extreme Value Theory)可以为你开辟道路。

      好了，各个东西都到位了。可以开始比较了。