图像特征分类分类中的pooling是对特征的什么来操作的，结果是什么

来源：蜘蛛抓取(WebSpider) 时间：2016-03-21 09:02 标签： 图像特征分类

点击上方“AI算法修炼营”选择“星标”公众号

精选作品，第一时间送达

不同于图像特征分类数据在计算机中的表示通常编码了像素点之间的空间关系点云数据由无序嘚数据点构成一个集合来表示。因此在使用图像特征分类识别任务的深度学习模型处理点云数据之前，需要对点云数据进行一些处理目前采用的方式主要有两种：

1、将点云数据投影到二维平面。此种方式不直接处理三维的点云数据而是先将点云投影到某些特定视角再處理，如前视视角和鸟瞰视角同时，也可以融合使用来自相机的图像特征分类信息通过将这些不同视角的数据相结合，来实现点云数據的认知任务比较典型的算法有MV3D和AVOD。

2、将点云数据划分到有空间依赖关系的voxel此种方式通过分割三维空间，引入空间依赖关系到点云数據中再使用3D卷积等方式来进行处理。这种方法的精度依赖于三维空间的分割细腻度而且3D卷积的运算复杂度也较高。

不同于以上两种方法对点云数据先预处理再使用的方式PointNet系列论文提出了直接在点云数据上应用深度学习模型的方法。

PointNet提取特征的方式是对所有点云数据提取了一个全局的特征显然，这和目前流行的CNN逐层提取局部特征的方式不一样受到CNN的启发，提出了PointNet++它能够在不同尺度提取局部特征，通过多层网络结构得到深层特征PointNet++按照任务也分为 classification （C网络）和 信息融合，最终得到逐点分分类语义分割结果

用深度学习（CNN RNN Attention）解决大规模文本汾类问题 - 综述和实践

近来在同时做一个应用深度学习解决淘宝商品的类目预测问题的项目恰好硕士毕业时论文题目便是文本分类问题，趁此机会总结下文本分类领域特别是应用深度学习解决文本分类的相关的思路、做法和部分实践的经验

淘宝商品的一个典型的例子见下圖，图中商品的标题是“夏装雪纺条纹短袖t恤女春半袖衣服夏天中长款大码胖mm显瘦上衣夏”淘宝网后台是通过树形的多层的类目体系管悝商品的，覆盖叶子类目数量达上万个商品量也是10亿量级，我们是任务是根据商品标题预测其所在叶子类目示例中商品归属的类目为“女装/女士精品>>蕾丝衫/雪纺衫”。很显然这是一个非常典型的短文本多分类问题。接下来分别会介绍下文本分类传统和深度学习的做法最后简单梳理下实践的经验。

文本分类问题算是自然语言处理领域中一个非常经典的问题了相关研究最早可以追溯到上世纪50年代，当時是通过专家规则（Pattern）进行分类甚至在80年代初一度发展到利用知识工程建立专家系统，这样做的好处是短平快的解决top问题但显然天花板非常低，不仅费时费力覆盖的范围和准确率都非常有限。

后来伴随着统计学习方法的发展特别是90年代后互联网在线文本数量增长和機器学习学科的兴起，逐渐形成了一套解决大规模文本分类问题的经典玩法这个阶段的主要套路是人工特征工程+浅层分类模型。训练文夲分类器过程见下图：

整个文本分类问题就拆分成了特征工程和分类器两部分玩机器学习的同学对此自然再熟悉不过了。

版权声明：本攵为博主原创文章转载请附上博文链接！


色直方图（2）颜色集（3） 颜色矩（4）颜色聚合向量（5）颜色相关图 纹理常用的特征提取与匹配方法：（1）统计方法（2）几何法 （3）模型法（4）信号处理法 形状常用的特征提取与匹配方法：（1）边界特征法（2）傅里叶形状描述符法（3）几何参数法（4）形状不变矩法

你对这个回答的评价是

下载百度知道APP，抢鮮体验

使用百度知道APP立即抢鲜体验。你的手机镜头里或许有别人想知道的答案

我要回帖

更多关于 图像特征分类 的文章

 

随机推荐