深度学习基础知识第二天

传统的机器学习算法不能达到实用的标准：像SVM和AdaBoost

人工特征的局限性：

通用性差
建模能力差
维数灾难

HOG特征（梯度方向直方图）+SVM（线性的支持向量机）来解决行人检测问题， 只计算了图像边缘，但是图像的纹理和颜色信息等等并没有检测出来。

CV方向

颜色直方图
Haar特征
HOG特征
Garbor特征
再比如：
1、Sift特征
2、Spin Image旋转图像 旋转直方图
3、ICF特征
4、ACF特征
5、既融合了边缘又融合了纹理等等
但是精度不太好

注意：机器学习较深度学习的不足在于：机器学习的人工特征提取阶段，在通过人工特征提建模的过程中，必然会简化特征便于计算，这样的话会丢掉原始图像的重要信息，会对图像分类识别的效果不大好

维数灾难

是因为特征越多，维数越大，分类准确率成上升趋势，但当特征维数达到一定规模后，在增加特征，分类精度反而下降，因为特征空间维数增加，样本在特征空间中分布就很稀，比如在一千万维度的空间中，样本1万个样本，样本在特征空间中就会分布的很稀，那么这些样本在特征空间中就像噪声一般，导致算法无法正确拟合出一个模型出来，因