1.准确率和召回率
准确率:算法提取的所有回环中确实是真实回环的概率
召回率:在所有真实回环中被检测出来的概率
在SLAM中,对准确率的要求更高。
2.词袋模型(Bag-of-Words)
词袋模型的提出是为了解决文档分类,主要应用在 NLP(Natural Language Process), IR(Information Retrival),CV(Computer Vision)等领域。
模型假设:一个文本或文档可以看做是一袋子单词,不考虑其语法和词序关系,每个词都是独立的。(这里要尤其注意,BoW不考虑词序的时间和空间上的信息)
示例:
John likes to watch movies. Mary likes too.
John also likes to watch football games.
对以上构造词典:
{ "John": 1, "likes": 2, "to": 3, "watch": 4, "movies": 5, "also": 6, "football": 7, "games": 8, "Mary": 9, "too": 10 }
则之前的两个文本可以表示为
[1, 2, 1, 1, 1, 0, 0, 0, 1, 1]
[1, 1, 1, 1, 0, 1, 1, 1, 0, 0]
3.BoW的字典生成
可用K-means算法、层次聚类法、K-means++解决