1 简介语音识别是处理语音信号的重要问题,当今社会,人工智能技术发展迅速,语音识别技术已经发展成为行业领域前列的先进技术.在以后的发展过程语音识别技术仍将发挥重大作用.语音信号是一种冗余度较高的非平稳随机信号,只有在短时间内才认为变化时缓慢的,在这个短的时间区间内语音信号特征保持稳定.因此,本课题提取小波变换、EMD分解、MEL倒谱特征、傅里叶变换信号。2 部分代码function varargo
原创
2022-03-15 10:27:56
547阅读
文章目录前言一、为什么要进行批处理二、具体步骤1.选择输入图像所在路径2.选择输出图像保存路径3.批量读取图像、处理，输出（以提取边缘特征为例）4.完整代码三、实验演示总结参考博客 前言最近在复现论文，其中有一个环节是对图像进行特征提取，因为图像太多所以需要进行批处理。一、为什么要进行批处理在大部分图像处理任务中，第一步是对所需算法进行研究，在这一过程往往只针对一张或者少量图像进行处理，研究算法
转载
2024-07-31 11:41:26
112阅读
一幅图像的纹理是在图像计算中经过量化的图像特征。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。纹理特征的提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模，在图像中搜索重复的模式。该方法对人工合成的纹理识别效果较好。但对于交通图像中的纹理识别，基于统计数据的方法效果更好。LBP方法(Local binary patterns)是一个计算机
转载
2024-01-22 12:33:25
58阅读
一、课程任务设计要求（1）在编写摄像头采集图像程序，能够对图像进行采集、保存处理； （2）对采集图像进行预处理，RGB 到 YCBCR 的色彩空间转换，用各个通道的阈值对图像进行二值化；形态学处理：腐蚀、膨胀、孔洞填充，连通区域提取，识别出指定的颜色区域； （3）能够识别到多个颜色并进行分割； （4）设计 GUI 界面，能够通过界面进行图像采集、识别、输出信息。二、实现1.对图像的采集与保存处理o
转载
2024-08-10 18:06:35
229阅读
特征选择(亦即降维)是数据预处理中非常重要的一个步骤。对于分类来说，特征选择可以从众多的特征中选择对分类最重要的那些特征，去除原数据中的噪音。主成分分析(PCA)与线性判别式分析(LDA)是两种最常用的特征选择算法。关于PCA的介绍，可以见我的另一篇博文。这里主要介绍线性判别式分析(LDA)，主要基于Fisher Discriminant Analysis with Kernals[
转载
2024-01-13 22:43:19
363阅读
文章目录1 定义2. 字典特征提取API3. 字典特征提取案例：1.实现效果：2.实现代
原创
2023-01-09 17:08:53
433阅读
概述上一篇文章我们一起学习了GCN网络，它的作用是提取特征点和描述子，用于匹配得到位姿。本次我们一起学习它的改进版GCNv2，改进版在速度上大幅度提升，精度上和原网络性能相当。并且改进版所提取的特征点具有和ORB一样的格式，因此作者把它在ORB-SLAM中替换掉了ORB特征，也就是GCN-SLAM。论文链接：https://arxiv.org/abs/1902.11046v1代码链接
转载
2024-02-28 20:50:12
287阅读
http://blog.csdn.net/xgz0124/article/details/50261403Caffe 作为一款比较流行的DCNN特征提取框架已获得广泛应用。在CVPR/ICCV/ECCV关于DCNN的文章中屡屡出镜。Caffe的安装步骤比较繁琐，但是网上相关的配置文章也有很多，本文就不再啰嗦。其中基于Python的Caffe特征抽取可参考http://nbviewe
原创
2021-07-09 18:13:57
438阅读
1.人脸检测原理框图整体思路是寻找图片中最大的连通域，将其认定为人脸。第一个环节均值滤波，是为了减弱图像的相关细节部分，以免毛刺影响后期连通域的形成，二值化方便形态学处理，减少运算量。考虑到人脸有黑人和白人黄种人，黑人肤色较深，在二值化之后面部区域不容易形成较大的连通域，如果采取形态学边界提取的办法，就可以避免这个问题，形态学边界提取，只要结构元素够大，也可以形成较大的封闭连通域。然后就是纵向闭合
转载
2024-05-03 12:26:16
160阅读
（1）词袋（Bag of Words）表征 文本分析是机器学习算法的主要应用领域。但是，文本分析的原始数据无法直接丢给算法，这些原始数据是一组符号，因为大多数算法期望的输入是固定长度的数值特征向量而不是不同长度的文本文件。为了解决这个问题，scikit-learn提供了一些实用工具可以用最常见的方式从文本内容中抽取数值特征，比如说：标记（tokenizing）文本以及为每一个可能的标记（toke
转载
2024-01-15 02:07:13
75阅读
经验模态分解（Empirical Mode Decomposition, EMD） 优点：能够对非线性、非平稳过程的数据进行线性化和平稳化处理，且经分解后的函数彼此正交，理论上互不相关，从而尽可能多的保留原始数据基本特征。计算步骤：通过计算原序列 Y(t) 的上下包络线的“瞬时平衡位置”，提取内在模函数（IMF）。原序列减去该内在模函数后得到的序列作为新的原序列重复计算，如此依次提取出N
转载
2023-10-05 21:29:01
52阅读
RandLA-Net实现了两个核心指标：一个是利用Random_sampling进行提速，二是设计特征提取模块解决Random_sampling带来的信息丢失问题。下图为特征提取模块示意图：由三个模块组成，分别为LocSE，Attentive Pooling，Dilated Residual BlockLocal Spatial Encoding（局部空间编码）给定点云P以及每个点的特征（例如原始
转载
2024-03-04 09:48:21
197阅读
决策树算法之特征工程-特征提取什么是特征提取呢？ 【把数据转化为机器更加容易识别的数据】1 特征提取1.1 定义将任意数据（如文本或图像）转换为可用于机器学习的数字特征注：特征值化是为了计算机更好的去理解数据特征提取分类:
字典特征提取(特征离散化)文本特征提取图像特征提取（深度学习将介绍）1.2 特征提取APIsklearn.feature_extraction2
转载
2024-04-01 20:14:20
176阅读
MobileFaceNets: Efficient CNNs for Accurate Real- Time Face Verification on Mobile Devices 该论文简要分析了一下普通的mobile网络用于人脸检测的缺点。这些缺点能够很好地被他们特别设计的MobileFaceNets克服，该网络是一种为了能够在手机和嵌入式设备中实现高准确度的实时人脸检测而进行剪切
转载
2024-07-19 14:33:46
209阅读
首先必须知道什么是特征工程什么是特征工程特征工程是通过对原始数据的处理和加工，将原始数据属性通过处理转换为数据特征的过程，属性是数据本身具有的维度，特征是数据中所呈现出来的某一种重要的特性，通常是通过属性的计算，组合或转换得到的。比如主成分分析就是将大量的数据属性转换为少数几个特征的过程。某种程度而言，好的数据以及特征往往是一个性能优秀模型的基础那么如何提取好的特征将是本文主要内容我们将简要介绍一
原创
2021-03-04 15:09:53
881阅读
另外加了些自己的理解一、原理：Sift算法的优点是特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；缺点是实时性不高，并且对于边缘光滑目标的特征点提取能力较弱。 Surf（Speeded Up Robust Features）改进了特征的提取和描述方式，用一种更为高效的方式完成特征的提取和描述。二、Surf实现流程如下：1. 构建Hessian（黑塞矩阵
转载
2023-12-06 18:56:08
227阅读
特征工程：特征提取前言1. 特征提取1.1 定义1.2 特征提取API2. 字典特征提取2.1 应用2.2 流程分析2.3 总结3. 文本特征提取3.1 应用3.2 流程分析3.3 jieba分词处理3.4 案例分析3.5 Tf-idf文本特征提取3.5.1 公式3.5.2 案例3.6 Tf-idf的重要性4. 小结 前言学习目标了解什么是特征提取知道字典特征提取操作流程知道文本特征提取操作流程
转载
2023-11-20 10:02:31
105阅读
本篇blog是利用Python进行文章特征提取的续篇，主要介绍构建带TF-IDF权重的文章特征向量。
In [1]:
# 带TF-IDF权重的扩展词库
# 在第一篇文档里 主要是利用词库模型简单判断单词是否在文档中出现。然而与单词的顺序、频率无关。然后词的频率对文档更有意义。因此本文将词频加入特征向量
In [2]:
转载
2023-11-23 22:51:20
216阅读
图像特征按性质分有颜色，纹理，形状，空间关系，边缘，角点，区域，脊等。通常人的视觉是先从形状，区域和颜色纹理边缘特征快速判断目标，然后再从脊，角点细节上分析判断目标，如果还分析不出，就会动用大脑从空间关系特征进行综合分析。如果关注某个目标，则会以背景，颜色，纹理，形状，区域等特征过滤环境中的干扰目标区域，直接提取相关目标进行特征分析。从形状，区域，颜色，边缘等外部特征快速识别目标，一般采用提取图像
转载
2024-01-05 14:49:46
0阅读
介绍FPN是一种利用常规CNN模型来高效提取图片中各维度特征的方法。在计算机视觉学科中，多维度的目标检测一直以来都是通过将缩小或扩大后的不同维度图片作为输入来生成出反映不同维度信息的特征组合。这种办法确实也能有效地表达出图片之上的各种维度特征，但却对硬件计算能力及内存大小有较高要求，因此只能在有限的领域内部使用。FPN通过利用常规CNN模型内部从底至上各个层对同一scale图片不同维度的特征表达
转载
2023-11-24 22:31:12
339阅读
