DBOW词袋训练工具

最新推荐文章于 2024-07-05 07:00:00 发布
最新推荐文章于 2024-07-05 07:00:00 发布
阅读量1.6k 收藏 10
点赞数 1
分类专栏： VisualMap
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/ziliwangmoe/article/details/93084722
版权
本文档介绍了如何使用DBOW词袋模型进行训练，详细讲述了启动脚本和使用步骤。通过从多个图像目录中选取特定数量的图片，遵循ORB-SLAM建议的配置进行模型构建。测试结果显示，使用特定数据集生成的模型在回环检测成功率上与ORB-SLAM作者提供的模型相当，但仍有改进空间，如内存管理问题和训练方法的优化。
摘要由CSDN通过智能技术生成

代码：https://github.com/rabienrose/3d_vision/blob/master/visual_map/src/vslam/Examples/Monocular/create_vol.cc

启动脚本：https://github.com/rabienrose/3d_vision/blob/master/visual_map/create_voc_full.sh

说明：

  • 从多个目录中读取图片
  • 从所有图片中选取指定数量的图片用于训练bow的模型
  • 按照ORB-SLAM的建议，模型采用6层，10分支的配置（L=6, k=10）

安装

  1. 安装visual_map，见： https://blog.csdn.net/ziliwangmoe/article/details/93094754
  2. catkin build vslam

使用

  1. 执行文件：/devel/lib/bag_tool/bag_tool_exe
  2. 参数1：输出的模型的文件名，比如FREAKTest.bin
  3. 参数2：描述类型，"freak"或者"orb
最低0.47元/天 解锁文章
chamomoe
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
视觉词袋训练
11-16
基于opencv的视觉词袋训练程序，用来提取图片的视觉词典
DBoW3 视觉词袋模型-网络版
10-12
DBoW3 视觉词袋模型-网络版，DBoW3 视觉词袋模型-网络版DBoW3 视觉词袋模型-网络版DBoW3 视觉词袋模型-网络版DBoW3 视觉词袋模型-网络版
NLP学习笔记（二）：创建特征及训练（关键词：词袋，TFIDF）
yyhhlancelot的博客
12-22 1435
0. 前言 接上文NLP学习笔记(一) : 数据预处理（词袋），我们已经将数据预处理完成，接下来我们创建一些特征进行训练。 需要提及的是，本次只是单纯的从原始数据中创建特征，未涉及到word embedding（词向量）等操作，也未涉及到n-gram等牵涉到语序的模型。 好的，现在我们已经有了清洗过后的数据，也就是上文预处理完成后的 clean_reviews 这个东西。 接下来我们准备使...
vslam中词袋模型练习
jiajiading的博客
12-02 252
vslam中词袋模型词袋模型的意义词袋模型 词袋模型的意义 在slam中无论是视觉slam还是激光slam，在做前端处理，即根据相邻两帧数据进行匹配获得里程计，必然会导致累计误差，因此长期运行必然导致结果不可靠，即地图重影现象，因此现通用做法为回环检测；即当前经过的环境是曾经已经经过的位置。然后在进行后端全局约束进行优化，常用做法采用图优化方案进行全局估计。如何闭环检测，则是关键，主要包括以下两种...
淦ORB-SLAM2源码 03--DBow词袋
qq_44047943的博客
03-01 765
DBow词袋用于ORB-SLAM词袋模型介绍DBoW的原理创建词汇树使用词汇树每个单词(words)都一样重要吗？ORBSLAM2 中的DBowBinary featuresImage databaseLoop detection 词袋模型介绍 Bag of words模型最初被用在文本分类中，将文档表示成特征矢量。它的基本思想是假定对于一个文本，忽略其词序和语法、句法，仅仅将其看做是一些词汇的集合，而文本中的每个词汇都是独立的。 如果文档中猪、马、牛、羊、山谷、土地、拖拉机这样的词汇多些，而银行、大厦、汽
NLP入门——前馈词袋分类模型的搭建、训练与预测
最新发布
qq_45929428的博客
07-05 998
通过以上代码，输入一个2x3的矩阵，在第一个线性层会变化为一个2x4的矩阵，随后使用DBG类输出当前矩阵的形状。在第二次线性层的变换后，矩阵变成2x5。
词袋模型 测试数据使用和训练数据一样的词汇表
djph26741的博客
02-07 149
def get_features_by_wordbag(): global max_features x_train, x_test, y_train, y_test=load_all_files() vectorizer = CountVectorizer( decode_erro...
DBow:C++ 的分层词袋库
06-21
DBow 是一个开源 C++ 库，用于索引图像并将其转换为词袋表示。 它实现了一种分层树，用于逼近图像特征空间中的最近邻居并创建视觉词汇表。 DBow 还实现了一个基于倒排文件结构的图像数据库，用于索引图像和启用快速...
视觉词袋bag of view word词袋模型BOVW
01-12
一个视觉词袋模型(bovw)的示例程序，用于给食物进行分类。C++实现。里面包含用作训练集和测试集的图片。源代码是linux系统下运行，所以需要额外下载dirent.h才能运行，已附在压缩包里面。经测试效果比较令人满意。...
运行Slam必须的词袋数据包DBoW2&FBow
03-11
DBoW2和FBow是两个常用的SLAM系统中实现词袋模型的库。 DBoW2是由Florian Biber开发的一个C++库，专门用于机器人技术中的视觉SLAM。这个库提供了高效的数据结构和算法来处理大规模的视觉词汇表，实现了快速的特征...
词袋模型：DBoW原理介绍以及使用方法
一点儿也不萌的萌萌
10-31 6799
1. 词袋模型介绍 词袋模型在很多方面都有应用，其的原理也很容易理解： 有以下一些句子： 1. my name is jack! 2. I like to eat apples！ 3. I am a student! 4. I like to take pictures！ 我现在交给你一个任务，从上面四句话中找到一句和下面这句话最相似的一句(这里认为同样的单词越多越相似)： I am a boy! 请原谅我，我并没有侮辱你智商的意思！ 你几乎想都没想就说出了和第3句最像。 因为上面这个例子比较简单。但是
[NLP学习笔记-Task4] 词袋模型 + 词向量 + word2vec
newCraftsman的博客
05-17 1527
词袋模型（Bag of Words） 词袋模型特点：离散、高维、稀疏 在信息检索中，词袋模型假定对于一个文本，忽略其词序和语法、句法，将其仅仅看做是一个词集合，或者说是词的一个组合，文本中每个词的出现都是独立的，不依赖于其他词是否出现，或者说当这篇文章的作者在任意一个位置选择一个词汇都不受前面句子的影响而独立选择的。 简单来说，词袋模型假设不考虑文本中词与词之间的上下文关系，仅仅只考虑所有词的权重...
DBOW概要理解与记录
liu3612162的博客
10-25 466
DBOW作为一种视觉回环技术被广泛应用在各类VSLAM框架中，之前的经验主要集中在使用和抽象理解层面，近期花了一些时间仔细阅读了相关论文和源码，这里做一些记录。
DBOW2
weixin_40893939的博客
04-23 1636
回环 前提知识 共视图：无向加权图，以关键帧为节点，关键帧之间如果有共同观测的地图点则产生边，共同观测的数量就是边的权重。在重定位的时候需要在KeyFrameDatabase中搜索候选关键帧，由于关键帧之间是有重叠视图的，所以在得到匹配的候选关键帧之后，继续把每一个候选关键帧在共视图中的所有“同伙”揪出来，从他们之中重新挑选分数最高的作为最新候选关键帧，同时把他们的分数求和作为新候选帧的分数...
用scikit-learn的三种词袋（BoW）生成方法为机器学习任务准备文本数据
Leo_Xu06的博客
09-30 9968
用scikit-learn为机器学习任务准备文本数据
基于Matlab代码图像检测（分割、特征提取）、各种特征提取
m0_57702748的博客
09-22 1357
在当今数字化时代，图像处理和计算机视觉技术变得越来越重要。图像检测是计算机视觉领域的一个关键任务，它涉及到从图像中识别和定位特定目标的过程。而图像分割和特征提取则是图像检测的两个关键步骤。图像分割是将图像划分为不同的区域或对象的过程。它可以帮助我们更好地理解图像中的内容，并为后续的特征提取和目标识别提供更准确的信息。常见的图像分割方法包括基于阈值的分割、区域生长法、边缘检测和基于图割的分割等。特征提取是从图像中提取出具有代表性的特征，以便于后续的分类、识别和检测任务。
MATLAB图像处理-特征提取
热门推荐
qq_37400096的博客
04-01 2万+
1.图像的边缘检测原理 图像的边缘是指其周围像素灰度急剧变化的那些像素的集合
分布式记忆DM模型和分布式词袋DBOW模型
06-10
分布式记忆（DM）模型和分布式词袋（DBOW）模型都是基于神经网络的词嵌入模型，它们的原理基本相似，但在具体实现上有所不同。 DM模型是一个预测模型，它的输入是文本序列中的一个单词，输出是下一个单词的概率分布。DM模型的目标是最大化下一个单词的对数概率，同样使用了softmax函数来计算概率。在训练过程中，DM模型通过不断调整词向量来优化目标函数，并且在隐藏层中增加了文本序列信息，以捕捉单词之间的长期关系和上下文信息。 DBOW模型是一个生成模型，它的输入是一个文本序列，输出是这个文本序列的向量表示。在DBOW模型中，每个单词的向量表示是随机初始化的，模型并不会利用上下文信息来调整单词的向量。DBOW模型的目标是最小化文本序列向量与预测向量之间的距离，通常使用了负采样（negative sampling）来训练模型。 DM模型和DBOW模型的主要区别在于输入和输出。DM模型的输入是单词，输出是下一个单词的概率分布；DBOW模型的输入是文本序列，输出是文本序列的向量表示。因此，DM模型更适合预测任务，例如文本生成、机器翻译等；而DBOW模型更适合表示任务，例如文本分类、情感分析等。 总的来说，DM模型和DBOW模型都是基于神经网络的词嵌入模型，它们在输入和输出上有所不同，分别适用于不同的任务。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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