机器视觉 与模式识别相关概念

Hand Crafted 特征：通过设计特征本身，仿照人类视觉的特点对什么样的特征敏感，什么样的特征不敏感提取图像中有区分能力的特征，因此提取出来的特征每一维往往都有具体的物理含义。这类特征提取包括SIFT、SURF、DAISY等都是通过方向梯度度纹理特点的反应。这些特征提取方案对某类或某几类特征的反应是优秀的。

Learned 特征：通过设计提取特征的架构和学习规则，再通过机器学习，熟练这个流程，架构的相关参数也是通过学习得来的。

端对端的局部特征网络：直接从输入到输出，中间不需要设计任何过程或者算法。

Deep learning框架：模拟人脑的大脑皮层工作（生物神经理论上的支持），因为大脑皮层的视觉区域也是分层次工作的，越底层的视觉皮层对那些底层特征就越敏感，Feature learning就是以deep learning框架下学习图像或视频的特征，系统的输入为raw data，你只要设计好model的框架，通过训练得到model的参数，至于特征学习出来是什么样子，完全交给机器。

Siamese network：孪生神经网络，它的Siamese是通过共享权值实现的，甚至通过一个网络分支来实现，其主要功能是衡量两个输入的相似程度。比如要计算两个句子或者词汇的语义相似度时，使用siamese network。当有多个相似输入时，也可以设计多分支神经网络来实现。

pseudo-siamese network：伪孪生神经网络，他和孪生神经网络的区别是，当输入不太一样时可以使用它，其分支可以使用不同的神经网络来实现。如果要验证标题与正文的描述是否一致（标题和正文长度差别很大），或者文字是否描述了一幅图片（一个是图片，一个是文字）时，可以使用pseudo-siamese network。

Scal-space：尺度空间方法将传统的单尺度视觉信息处理技术纳入尺度不断变化的动态分析框架中，因此更容易获得图像的本质特征。尺度空间的生成目的是模拟图像数据多尺度特征。高斯卷积核是实现尺度变换的唯一线性核。

Loss Function（损失函数）：在机器学习中所有的算法都需要最大化或最小化一个函数，这个函数被称为“目标函数”。其中，我们一般把最小化的一类函数，称为“损失函数”。它能根据预测结果，衡量出模型预测能力的好坏。