这是几张图片,主题涉及到 厨房,美女,海景等:
图1 示例图像
看一下图片的空间向量分布情况:
图2 图像空间向量显示
呈现2D图像或数据的核心就是一个数据降维。我们知道每个词或图片都会有相应的隐含意义,这个意义也就是特征向量,比如 图1 第三行左侧的图像,我们看到一张有海水、蓝天、白云和桥面的图像,这些词都会通过向量的形式隐含的呈现出来,如果两张图像代表的内容足够相似或相近,那么他们的特征也同样会在空间上非常接近, 比如 图1 第三行的两张图像内容接近,因此在图2 中导致两张图像的空间向量重合在一起了。
同样,我们发生第三行的两位美女在图2中比较接近,因为在这6张图片中,她们是最相近的‘’一对‘’了。因此,我们可以使用空间向量的方式来可视化展示相近或相似。
如果对面的图片分别赋予一些描述性的文字,如:"kitchen", "kitchen with kids", "a beautiful girl", "Blonde", 会怎么样?
图3 文字空间向量显示
现在把图像和图像对应的描述放到一起,再看看效果:
图4 图像-文字 空间向量显示
下面给大家总结一下降维的方法,数据降维的常用方法有:
(1)PCA(主成分分析)
(2)LLE(局部线性嵌入)
(3)LDA(线性判别分析)
(4)SVD(奇异值分解)
(5)LE(拉普拉斯映射)
(6)MDS(多维缩放)
(7)ISOMAP(等距特征映射)
(8)t-SNE(t分布-随机近邻嵌入)
github: paperClub-hub (PaperClub) · GitHub
paperClub:爱阅读、爱技术、爱分享的学习型青年,持续分享实用、好玩、有趣的人工智能技术。