分类问题:SVM:
回归问题:kernel函数的选取:
线性kerl
多项式kerl
高斯kerl
高维到低维:
特征更少,表达更简单。
1、样本量
2、维度爆炸
3、性能考虑
图像技术:
人工智能具备视觉能力
图像的特征:
最直接的想法:计算像素的相似性。
除了像素的表达,可能还有更多的表达
SIFT特征:(分类问题)
使用视觉不变的局部特征标定物体。
纹理:特征点与周围点的梯度变化。
考虑四个因素:遮挡、位置、尺度、方向。
特征点的比较,而不是像素点的比较。
不依赖数据,视觉规律的抽象。
不适用柔和渐变的图像边缘平滑
适用视觉相似而不是语义相似
CNN特征:卷积神经网络(分类问题)
DNN:传统神经网络
语义识别(多层高级的组合结果)
分类器:包含更好的语义特征
不同任务有不同功能神经网络,相互之间可以转换。
视觉信号的处理是分层的,从初级到高级。
卷积:局部视野,参数共享。
池化:层层抽象,更关键的信息。
存在有效的设计经验,但缺少证明。
暗合人类处理图像的过程。
卷积核=自学习的滤波器(时间函数,权重的计算)。
回归问题:kernel函数的选取:
线性kerl
多项式kerl
高斯kerl
高维到低维:
特征更少,表达更简单。
1、样本量
2、维度爆炸
3、性能考虑
图像技术:
人工智能具备视觉能力
图像的特征:
最直接的想法:计算像素的相似性。
除了像素的表达,可能还有更多的表达
SIFT特征:(分类问题)
使用视觉不变的局部特征标定物体。
纹理:特征点与周围点的梯度变化。
考虑四个因素:遮挡、位置、尺度、方向。
特征点的比较,而不是像素点的比较。
不依赖数据,视觉规律的抽象。
不适用柔和渐变的图像边缘平滑
适用视觉相似而不是语义相似
CNN特征:卷积神经网络(分类问题)
DNN:传统神经网络
语义识别(多层高级的组合结果)
分类器:包含更好的语义特征
不同任务有不同功能神经网络,相互之间可以转换。
视觉信号的处理是分层的,从初级到高级。
卷积:局部视野,参数共享。
池化:层层抽象,更关键的信息。
存在有效的设计经验,但缺少证明。
暗合人类处理图像的过程。
卷积核=自学习的滤波器(时间函数,权重的计算)。