特征提取
文章平均质量分 60
zhoutongchi
这个作者很懒,什么都没留下…
展开
-
传统方法学习(Sparse coding and ICA model)的过完备字典带来的问题
传统方法学习的过完备字典 过完备字典能够很好的稀疏表示信号,但是引入了庞大的字典空间,不利传输,同时给信号的稀疏表示带来过多无用信息。如何解决学习较小的字典容量,同时不失去信号的表示效果呢,不失字典过完备性?1.约束相似原子,迫使学习复杂特征;2.引入平移不变因子,将位置变化但朝向不变的多原子用单一原子和平移项表示,即将字典分解为平移项与新字典成绩。新字典含有边缘、块、轮廓、拐角原创 2012-11-29 16:29:33 · 1945 阅读 · 0 评论 -
谱聚类
谱聚类(spectral clustering)1. 谱聚类给你博客园上若干个博客,让你将它们分成K类,你会怎样做?想必有很多方法,本文要介绍的是其中的一种——谱聚类。聚类的直观解释是根据样本间相似度,将它们分成不同组。谱聚类的思想是将样本看作顶点,样本间的相似度看作带权的边,从而将聚类问题转为图分割问题:找到一种图分割的方法使得连接不同组的边的权重尽可能低(这意味着组间相转载 2013-01-18 10:10:01 · 1153 阅读 · 0 评论 -
拉普拉斯矩阵及谱聚类
拉普拉斯矩阵及谱聚类(Laplacian Matrix and Spectral Clustering)与相似性度量相关的论文中经常出现拉普拉斯矩阵(Laplacian Matrix),根据维基百科的描述,该矩阵在图论中运用较多。本文主要介绍在谱聚类中的应用。首先给出一个谱聚类的直观结果,然后介绍Laplacian Matrix的一些性质,最后讨论谱聚类。通过模拟生成一转载 2013-01-18 10:13:02 · 10684 阅读 · 1 评论 -
无监督特征学习:模拟简单细胞、复杂细胞属性的特征(上段工作总结)
原创 2013-01-06 13:48:51 · 1155 阅读 · 0 评论 -
稀疏编码/ICA模型---MRF统计结构
传统的稀疏编码(最近几年引入先验知识学习字典)、ICA等模型的特征映射学习未引入图像先验信息,仅考虑图像块,未考虑一幅图像中图像块与其周围图像块的统计关系,致使学习映射不够丰富,同时在组合(Pool operation)时,形成的鲁棒性特征仅仅局部,未能形成整幅图像或大图像块的统计结构。如何形成整体或大局部的统计特性呢?1)基于子空间估计方法。如子空间为2的ISA模型(2011年文献)、TIC原创 2012-11-23 11:00:10 · 1477 阅读 · 0 评论 -
卷积学习与传统稀疏编码、ICA模型学习区别(逐步补充)
逐步总结(有待补充)无监督学习知识框架:这种分类不合适,稀疏编码等也可以从统计学角度看做模型学习与参数选择。实际上,稀疏编码是从1维信号发展起来的表示方法。近年来,稀疏编码逐渐引入信号的先验信息,由非模型向基于模型的转变,学习特色字典。单层(Sparse,字典-【特征】与ICA字典-【滤波器】代表意思不同)、两层多层训练:For exam原创 2012-11-26 10:45:48 · 5657 阅读 · 2 评论 -
压缩感知或压缩传感
由来 采样定理(又称取样定理、抽样定理)是采样带限信号过程所遵循的规律,1928年由美国电信工程师H.奈奎斯特首先提出来的,因此称为奈奎斯特采样定理。1948年信息论的创始人C.E.香农对这一定理加以明确说明并正式作为定理引用,因此在许多文献中又称为香农采样定理。该理论支配着几乎所有的信号/图像等的获取、处理、存储、传输等,即:采样率不小于最高频率的两倍(该采样率称作Nyqu转载 2012-12-23 22:00:01 · 4477 阅读 · 0 评论 -
模式识别或行为识别存在的问题
模式识别等存在问题(有待完善) 1.池运算/池操作(Pooling operation)?池运算就是一种采样策略,将低数据表示的维数。例如,矩阵数据转为向量、大矩阵采样后转换小矩阵等。池运算是一种非线性映射。正是由于是一种采样策略,故不可避免的会损失有用信息。在行为识别中,最明显的例子就是局部运动信息,局部特征缺少详细的信息(位置),会致使邻帧运动特征捕获不到。对于这个不足,如原创 2012-11-28 11:11:56 · 2473 阅读 · 0 评论 -
非线性特征提取技术 参考文献---之四
仅代表个人意见,可能不全非线性特征提取技术的研究较少目前主要从径向投影及径向高斯分布方面着手。REF:[1]SiweiLyu.Nonlinear extraction of Independentcomponents ofnatural Images Using Radial Gaussianization.Neural Computation 21,1485-1519(200原创 2012-11-16 19:02:28 · 1121 阅读 · 0 评论 -
压缩感知--续
压缩感知,即在稀疏编码的基础上引入观测矩阵,迫使编码的容量更小化,相当于二次编码,但学习的基与观测矩阵要求不相关。图2-2 采样与压缩同步进行压缩感知(cs)三个方面问题,同观测矩阵与学习基之间关系压缩感知(CS)观测矩阵图示形式表示为:Y为通过压缩感知产生的稀疏表示,X为原始信号。原创 2012-12-06 10:43:05 · 1864 阅读 · 0 评论 -
位置敏感哈希Locality-Sensitive Hashing (LSH)
图像检索其基本定义为给定的一个包含个图像数据集,每个图像可以用一个维的特征向量来描述,因此整个图像数据集就映射为维空间的个点,在此维空间中用一个相似度度量函数来测量两个图像点之间的距离,对于任意给定的查询点,需要设计一个数据结构,来快速的返回距离最近(Nearest Neighbor)的图像点(或者Ranking的多个点)。 当较小时(10-20),可采用如的结构,但当较大时(一个D转载 2013-04-14 20:19:59 · 2095 阅读 · 0 评论