从特征表示到深度学习

最新推荐文章于 2022-11-21 12:26:52 发布
最新推荐文章于 2022-11-21 12:26:52 发布
阅读量3.8k 收藏 2
点赞数
文章标签： 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tiandijun/article/details/40477265
版权

最近一直在学习特征表达和学习的理论基础，从稀疏编码到卷积神经网络，直到最近很火的深度学习，感觉有那么些启发。特此记录一下学习新得。

图像特征的表达从开始的像素表示，到后来像素特征组成的特征描述子（sift， surf， hog等）都是为了寻找最有效的信息表达，如何将特征进行加工和处理得到更加深入层次的表示是研究重点。看看VOC2010（打开：链接）的发布

最低0.47元/天 解锁文章
曼陀罗彼岸花
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
译：深度学习，自然语言处理及特征表示方法 Deep Learning, NLP, and Representations
Bowie's blog
05-09 2099
from: http://colah.github.io/posts/2014-07-NLP-RNNs-Representations/Intro：过去数年间，DNN已经统治了模式识别领域，尤其在计算机视觉领域几乎将此前的state-of-art方法全部赶出了竞争舞台，语音识别任务也在向同样的方向发展。但暂且抛开结果，我们或许想知道为什么DNN会获得如此大的成功？这篇博文回顾了在DNN在NLP领域...
深度学习中的特征（feature）指的是什么？
weixin_30550081的博客
08-15 5960
一般在machine learning意义上，我们常说的feature，是一种对数据的表达。当然，要衡量一种feature是否是合适的表达，要根据数据，应用，ML的模型，方法....很多方面来看。一般来说，Feature应该是informative（富有信息量），discriminative（有区分性）和independent（独立）的。那么具体怎么选择feature，其实一直是一个...
特征表示与lucene
hellojob的专栏
04-06 670
    前面，我们形象地讲述了特征的意义。现在我们来讲特征的计算机表示。特征，形象意义，就是文档中的术语或者词汇，有时也指文档中的某种模式（pattern)。特征的数学意义，就是空间中的某个维度，或者说特征向量的坐标系。    特征的表示，其实是说特征值的表示。前面我们举例时，是用一个布尔值来表示特征值的，也就是说表示某个术语出现与否。这种表示，最浅显易懂，但除了搜索引擎之外，恐怕意义不大。特别是
特征工程之特征表达
weixin_30482181的博客
05-19 2244
在特征工程之特征选择中，我们讲到了特征选择的一些要点。本篇我们继续讨论特征工程，不过会重点关注于特征表达部分，即如果对某一个特征的具体表现形式做处理。主要包括缺失值处理，特殊的特征处理比如时间和地理位置处理，离散特征的连续化和离散化处理，连续特征的离散化处理几个方面。 1. 缺失值处理 特征有缺失值是非常常见的，大部分机器学习模型在拟合前需要所有的特征都...
表示学习（特征学习）
热门推荐
Alin_Zhang
03-01 2万+
文章目录表示学习特征工程与表示学习深度学习的表示学习注：深度学习不等于多层神经网络什么时候用「手工提取」什么时候用「表示学习」？关于特征表示学习的算法参考资料 表示学习 表示学习的基本思路，是找到对于原始数据更好的表达，以方便后续任务（比如分类）。机器学习中，同样的数据的不同表达，会直接决定后续任务的难易程度（换言之，表示方法的选择通常依赖于后续任务的需求），因此找到好的数据表示往往是机器学习的核...
《中国人工智能学会通讯》——11.76 基于深度学习的特征表示模型
weixin_34007020的博客
09-04 162
11.76 基于深度学习的特征表示模型 随着数据规模不断增大，深度学习在大数据分析中扮演着越来越重要的角色。图 5 显示了数据规模与性能之间的关系，传统学习算法在数据规模达到一定时性能几乎不再增加，而深度学习算法的性能会随着数据规模增加而增加。通过深度学习进行特征表示学习已经成为了机器学习和数据挖掘社区的一个快速突起的方法，并已经在许多领域获得成功，如计...
从深度学习到强化学习
11-27
《从深度学习到强化学习》是一份由地平线机器人技术创始人兼CEO余凯博士主讲的讲座资料，主要探讨了深度学习与强化学习在人工智能领域的应用和相互关系。这份资料深入浅出地介绍了这两个重要领域的核心概念、发展...
现代机器学习 基于深度学习的图像特征提取.docx
06-16
深度学习模型可以自下而上地构建特征表示，无需专家知识，这使得模型的训练和优化更加高效且可扩展。随着计算能力的增强和算法的不断改进，深度学习在图像特征提取领域的影响力将持续增长，推动人工智能向更深层次...
深度学习的数值特征介绍
04-20
在深度学习模型中，数值特征可以被直接输入到神经网络中，通过多层非线性变换构建复杂的模型。此外，还可以使用自定义层或预处理步骤来适应特定问题的需求，例如通过卷积层处理时空序列数据，或者使用注意力机制赋予...
feature extraction（深度学习，特征提取，神经网络）
03-27
在实际应用中，特征提取不仅限于图像识别，还可以扩展到语音识别、推荐系统等领域，关键在于找到适合特定任务的特征表示。 压缩包内的文件名称"CarND-Alexnet-Feature-Extraction-master"表明这是一个与自动驾驶...
图像特征表达
03-20
图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达
异源遥感影像特征匹配的深度学习算法.pdf
08-18
深度学习算法可以自动学习特征表示，从而提高特征匹配的准确性和鲁棒性。 该算法的创新之处在于提出了一个新的卷积神经网络（CNN）架构，称为CMM-GNet，用于跨模态遥感影像特征匹配。该网络首先使用卷积神经网络来...
表示学习（就是特征）
最新发布
hyh14的博客
11-21 459
如，AlexNet，它以原始图像作为输入，而不是特征工程得到的特征，输出直接是预测的类型，这种学习方式称为端到端学习（end-to-end learning）。也就是低层的提取低层次的特征，而高层的提取高层次的与任务相关的特征。一个好的表示首先要尽可能的包含更多数据的本质信息，并且这个表示能直接服务于后续的具体任务。可以基于深度学习的这个特征进行迁移学习，迁移学习是指将已经学过的知识迁移到到新的问题上，最典型的应用就是调参。浅粉色：（255,192,203）深粉色:（255,20,147）
特征工程——特征表达
qq_42012732的博客
07-07 361
1. 缺失值处理 该特征： 连续值：用平均值填补缺失值；中位数填补缺失值。 离散值：样本中最频繁出现的类别值，来填充缺失值。 2. 特殊类型的特征 比如日期时间，比如显示2020/07/07，这样的值一般没办法直接使用。 对于时间原始特征，处理方法有很多： 使用连续的时间差值法，即计算出所有样本的时间到某一个未来时间之间的数值差距，这样这个差距是UTC的时间差，从而将时间特征转化为连续值。 根据时间所在的年，月，日，星期几，小时数，将一个时间特征转化为若干个离散特征，这种方法在分析具有明显时间趋势的问
深度学习2-特征
weixin_43923223的博客
04-03 2650
1.一张图片像素级的特征没有价值，有价值的是具有结构化，比如是否是否有车把手，是否有车轮，才能将它们区分开 2.复杂的物品是由简单的基本结构组成。一个图可以通过64种正交的edges组成来线性表示。比如下面的x可以用1-64个edges中的3个按照0.8，0.3，0.5的权重调和而成 3.更高层的图像需要更高层的特征表示，比如v2看v1是像素级的，按照层次递进。专业点说就是基basis。V1区提出的basis是边缘，然后V2层是V1层这些basis的组合，这时候V2区得到的又是高一层的basis。。。
特征工程（中）-特征表达
大数据与人工智能
07-31 439
点击上方“大数据与人工智能”，“星标或置顶公众号”第一时间获取好内容作者丨stephenDC这是作者的第14篇文章在上一篇《特征工程（上）—特征选择》中，我们解决了从哪些...
表示学习：从词向量到深度学习的革命
"表示学习介绍.ppt" 表示学习是机器学习领域的一个重要概念，它涉及到如何将原始数据转化为计算机可理解和处理...从词向量学习到深度学习，再到知识和网络的表示，这些方法都在不断地优化我们对复杂数据的理解和处理。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值