学习目标应用DictVectorizer实现对类别特征进行数值化、离散化应用CountVectorizer实现对文本特征进行数值化应用TfidfVectorizer实现对文本特征进行数值化说出两种文本特征提取的方式区别1 特征提取1.1 定义特征提取是将任意数据（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字典特征提取(特征离散化)文本特征提取图像特征提取（
转载
2024-06-29 19:25:55
45阅读
我想计算Haar特征，自己手动计算感觉挺麻烦（主要在取各个不同位置、不同scale的特征），而且可能速度不够。
OpenCV 的这个把所有东西都封装起来了，由于我的online-boosting和它的框架不一样，不能直接使用。我在源码中看了半天，发现里面又有 internal haar feature又有fast haar feature，还有什么Thaar feature。源码中注释比较少，
转载
2024-08-23 17:22:10
57阅读
参考：《数据科学手册》–Field Cady 特征工程在实际业务中的应用 -Datawhale 这篇特征工程的文章–全网最通透 -kaggle竞赛宝典特征工程定义寻找基本特征，构建组合特征有些区分不同label的样本。 建模就是从数据中学习到insights过程，需要经过数据表达，模型的学习两步特征提取思路标准特征是否确实分类变量
类别很多情况下，有些类别可能很少见，此时通常选择一些阈值训练
转载
2024-05-02 11:40:11
45阅读
文本分类之特征选择1 研究背景 对于高纬度的分类问题，我们在分类之前一般会进行特征降维，特征降维的技术一般会有特征提取和特征选择。而对于文本分类问题，我们一般使用特征选择方法。特征提取：PCA、线性判别分析特征选择：文档频数、信息增益、期望交叉熵、互信息、文本证据权、卡方等特征选择的目的一般是：避免过拟合，提高分类准确度通过降维，大大节省计算时间和空间特征选择基本思想：1）构造一个评价函数2）对
转载
2024-04-28 16:02:24
43阅读
机器学习系列：(三)特征提取与处理
特征提取与处理 上一章案例中的解释变量都是数值，比如匹萨的直接。而很多机器学习问题需要研究的对象可能是分类变量、文字甚至图像。本章，我们介绍提取这些变量特征的方法。这些技术是数据处理的前提——序列化，更是机器学习的基础，影响到本书的所有章节。分类变量特征提取 许多机器学习问题都有分类的、标记的变量，不是连续的。例如，一个应用是用分类特
转载
2024-08-23 20:39:49
52阅读
什么是图像识别 •
图像识别技术是信息时代的一门重要的技术，其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展，人类对图像识别技术的认识越来越深刻 •
图像识别技术的定义为利用计算机对图像进行处理、分析和理解，以识别不同模式的目标和对象的技术 •
图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策 举个栗子： 好看不？卧
转载
2024-08-08 17:11:38
96阅读
一、为什么CNN、卷积能够提取特征？首先这个问题就不能说是一个恰当的问题，就图像处理角度来看，特征是数字图像映射到计算机处理的矩阵，而每个矩阵的数值就是一个特征点，由一幅图像组成的整个特征矩阵就是一个特征图，每输入网络的点（0~255数值）针对神经网络而言都是一个特征，不同维度的特征就是不同维度的特征向量。故卷积、CNN并不是完全说是提取特征，而是对特征的一种处理或者说是转变（stride步长 &
转载
2023-12-11 12:42:13
228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
使用预训练网络提取图像特征，并用于分类。
上一节中，我们采用了一个自定义的网络结构，从头开始训练猫狗大战分类器，最终在使用图像增强的方式下得到了82%的验证准确率。但是，想要将深度学习应用于小型图像数据集，通常不会贸然采用复杂网络并且从头开始训练（training from scratch），因为训练代价高，且很难避免过拟合问题。相对的，通常会采用一种更
转载
2023-10-16 13:20:39
231阅读
目录一.SVM深入理解1.支持向量机(SVM)2.惩罚参数C3.核函数4.多分类支持向量机.5.鸢尾花数据集5.1线性处理5.2 多项式分类5.3高斯核6.月亮数据集6.1线性SVM6.2多项式核6.3高斯核二.人脸特征提取1.用python3+opencv3.4+dlib库编程，打开摄像头，实时采集人脸并保存、绘制68个特征点2.给人脸虚拟P上一付墨镜总结 一.SVM深入理解1.支持向量机(S
转载
2024-07-27 13:54:11
101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
从信息提取的角度思考，图片为什么要输入——>网络模型（卷积神经网络（ResNet系列）对比 ViT (Vision Transformer））1. 卷积核的工作原理：特征提取：卷积核通过在输入图像（或特征图）上滑动来提取特征。每个卷积核负责从输入数据中提取一种特定类型的特征，例如边缘、颜色变化、纹理等。权重和偏置：每个卷积核都有一组权重和一个偏置项，这些参数在训练过程中通过反向传播算法进行学
转载
2024-06-27 08:14:03
464阅读
一、Haar-like特征边缘特征、线性特征、中心特征和对角线特征【也可以分成三类：边缘特征、线性特征(包含对角线特征)、点特征（中心特征）】，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深
转载
2024-01-09 19:10:32
208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
Bi-LSTM@目录Bi-LSTM1.理论1.1 基本模型1.2 Bi-LSTM的特点2.实验2.1 实验步骤2.2 实验模型1.理论1.1 基本模型Bi-LSTM模型分为2个独立的LSTM,输入序列分别以正序和逆序输入至2个LSTM模型进行特征提取,将2个输出向量进行拼接后形成的词向量作为该词的最终特征表达(因此底层维度是普通LSTM隐藏层维度的两倍)1.2 Bi-LSTM的特点Bi-LSTM的
转载
2024-07-20 09:29:24
123阅读
传统的图像特征提取（特征工程）主要是基于各种先验模型，通过提取图像关键点、生成描述子特征数据、进行数据匹配或者机器学习方法对特征数据二分类/多分类实现图像的对象检测与识别。卷积神经网络通过计算机自动提取特征（表示工程）实现图像特征的提取与抽象，通过MLP实现数据的回归与分类。二者提取的特征数据都具不变性特征。迁移不变形尺度不变性辐照度/亮度不变性CNN为什么能提取到图像特征？关键点在于CNN有两种
转载
2024-03-19 13:47:44
247阅读
特征提取——颜色特征
颜色直方图
OpenCV之颜色空间:
颜色空间RGB（Red 红色，Green 绿色，Blue 蓝色）
R的取值范围：0-255
G的取值范围：0-255
B的取值范围：0-255
颜色空间HSV （Hue 色相，Saturation 饱和度，intensity 亮度）
H的取值范围：0-179
S的取值范围：0-255
V的取值范围：0-255
颜色空间HLS (Hue 色
原创
2023-06-07 18:28:10
2543阅读
特征提取——纹理特征
LBP图像特征
图像处理之特征提取（二）之LBP特征简单梳理<br>
https://blog.csdn.net/coming_is_winter/article/details/72859957<br>
https://blog.csdn.net/zouxy09/article/details/7929531<br>
LBP特征理解。&l
原创
2023-06-05 20:16:27
916阅读
特征提取——局部特征
<!--more-->
LOG,HOG,DOG微分算子在近圆的斑点检测方面效果很好
HOG特征
https://blog.csdn.net/coming_is_winter/article/details/72850511
https://blog.csdn.net/zouxy09/article/details/7929348/
总结：Dalal提出的Hog特征
原创
2023-05-12 15:13:32
356阅读
类别可分离性判据特征提取与选择的共同任务是找到一组对分类最有效的特征，有时需要一定的定量准则（或称判据）来衡量特征对分类系统（分类器）分类的有效性。换言之，在从高维的测量空间到低维的特征空间的映射变换中，存在多种可能性，到底哪一种映射变换对分类最有效，需要一个比较标准。此外，选出低维特征后，其组合的可能性也不是唯一的，故还需要一个比较准则来评定哪一种组合最有利于分类。 1．可分离性判据满足的条件 从理论上讲，可以用分类系统的错误概率作为判据，选取分类系统错误（概）率最小的一组特征作为最佳特征。但在实践中；由于类条件分布密度经常是未知的，且即使已知其分布但难于用计算机实现。因此，要研究实用的判据
转载
2012-03-11 22:30:00
705阅读
2评论
