MATLAB算法实战应用案例精讲-【深度学习】多尺度特征提取(补充篇)

目录

前言

几个高频面试题目

传统特征提取方法与神经网络特征提取的比较

SIFT和HOG的比较

知识储备

轻量级多尺度特征提取

Deep super-resolution models

Lightweight super-resolution models

Basic network structure

Multi-scale feature extraction block

Feature fusion strategy

图像处理之特征提取

SIFT（尺度不变特征变换）

HOG（方向梯度直方图）

其他传统特征提取的方法（SURF、ORB、LBP、HAAR）

算法原理

算法拓展

HED（Holistically-Nested Edge Detection）端到端边缘检测网络

出发点

End-to-end

多尺度特征

中继监督

损失函数

对损失函数的想法

基于多尺度特征提取的 电力客户欠费风险预测

风险预测相关理论及算法介绍

2.1 电力客户电费逾期风险频发现状

2.2 电力客户电费逾期风险产生原因

2.3 电力客户欠费风险预测的主要方法及流程

2.4 逻辑回归算法

系统方案和流程设计

3.1 电力大数据获取

3.2 数据预处理

3.3 特征工程

3.4 风险预测模型的构建

欠费风险预测及风险分布可视化

4.1 客户欠费风险评价

4.2 欠费风险输出结果分析

4.3 风险可视化

4.4 风险应对策略

---

前言

多尺度特征及其空间分布可以看作是对应于不同几何显著性水平的独立特征。这些特征提取自多个并行的branch，并实现分级组合。基于此，提出的模型生成一个形状表示，包含了丰富的局部特征以及他们之间的空间关系。更进一步，基于MLP，提出的结构简洁，高效，在分类与分割任务中能够获得不错的结果。受到工作[2]的启发，多尺度特征分析网络基于一个lightweight结构，应用独立的分支去提取不同尺度的局部特征，并融合全局特征，以获得多级特征表示，以直接表示形状信息。
 

几个高频面试题目

传统特征提取方法与神经网络特征提取的比较