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