从特征表示到深度学习

最新推荐文章于 2024-02-25 14:23:27 发布
最新推荐文章于 2024-02-25 14:23:27 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
本文探讨了图像特征表示的发展，从像素表示到SIFT、SURF、HOG等描述子，强调了多层特征表示的重要性。随着深度学习的兴起，它通过多层神经网络学习深层次特征，减少了对大量标记数据的依赖。深度学习的典型形式如稀疏编码、深度置信网、卷积神经网络等，为计算机视觉带来了革新。参考资源包括深度学习手册和余凯的视频讲解。
摘要由CSDN通过智能技术生成

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
表示学习（特征学习）
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...
深度学习中的特征（feature）指的是什么？
weixin_30550081的博客
08-15 6040
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...
特征工程之特征表达
weixin_30482181的博客
05-19 2254
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...
《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
09-04 169
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...
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 2109
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...
深度学习基础——特征工程(一)
qq_35470020的博客
02-02 1257
首先给出特征工程的概述图，如下图。 然后接下来，会就其中的内容详细学习。 一，单个特征归一化 归一化就是指当每个特征的数值之间相差太大，无法很好的相互映射时，通过函数处理使其落在同一数量级的区间的方式。 归一化的方式通常有两种： Standardization Standardization又称为Z-score normalization，量化后的特征将服从标准正态分布： μ和δ分别为对应特征...
基于深度学习特征的稀疏表示的人脸识别方法.pdf
08-19
深度学习，尤其是深度卷积神经网络（CNN），在图像处理领域显示出强大的特征提取能力，可以自动从原始图像中学习到高级的、抽象的、区分性好的特征。 在本研究中，作者提出了一个基于深度学习特征的稀疏表示方法...
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
基于稀疏表示和深度学习的图像识别算法研究.pdf
08-18
深度学习是指通过学习人脑的组织机构机理，对组合底层特征进行更抽象、更有效的高层表示，可以解决底层像素特征不稳定、易受环境影响的问题。融合稀疏表示和字典学习，利用提取到的高层特征进行多尺度字典训练，即可...
表示学习（就是特征）
hyh14的博客
11-21 465
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
07-07 389
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
基于深度学习特征匹配方法及推荐解析文章
最新发布
qq_51745206的博客
02-25 2449
基于深度学习特征匹配方法
深度学习2-特征
weixin_43923223的博客
04-03 2680
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。。。
表示学习：从传统到深度学习的演进
与传统的机器学习方法相比，深度学习的优势在于它可以处理高维特性，自动学习特征，并且能够跨相关任务共享特征表示。例如，在文本分类和文本摘要等任务中，深度学习模型可以建立统一的框架，考虑任务间的关联性，...
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