features_features种类 高德地图 - CSDN
精华内容
参与话题
  • features

    2020-07-28 23:33:12
    features
  • 下一代防火墙features

    2019-05-08 00:40:59
    1.IPS特性 2.大流量 3.防火墙 4.自动签名更新 5.应用感知 6.用户感知 7.活动目录集成 8.内容过滤 9.中心化管理 10.appid(snort feature) 11. DLP 12.VPN GATEWAY 13.加密流量检测 ...

    1.IPS特性

    2.大流量

    3.防火墙

    4.自动签名更新

    5.应用感知

    6.用户感知

    7.活动目录集成

    8.内容过滤

    9.中心化管理

    10.appid(snort feature)

    11. DLP

    12.VPN GATEWAY

    13.加密流量检测

    14.威胁情报

    15.反病毒



    构建网络DNA

    展开全文
  • Features

    2019-08-12 02:41:16
    Features 在磁盘上,一个基于eclipse的product是一些插件的集合。每个插件包含的代码提供了一些产品的功能。一个插件的代码和其他文件安装在本地电脑上,会自动激活。 A product's plug-ins are grouped together ...

    Features

    在磁盘上,一个基于eclipse的product是一些插件的集合。每个插件包含的代码提供了一些产品的功能。一个插件的代码和其他文件安装在本地电脑上,会自动激活。

    A product's plug-ins are grouped together into features.A feature is a unit of separately downloadable and installable functionality.

    网上的资料是这么说的:features目录下方的都是plugin的配置信息,启动信息还有一些图片等一些资源,而plugins目录下则方的是jar包,也就是实现插件功能的代码包,还有一些必要的配置信息等。

    从eclipse平台模块化编程的根本特性可以知道,it easy to install additional features and plug-ins into an Eclipse based product, and to update the product's existing features and plug-ins。the Eclipse platform's install and update support found in the Help menu. 

    help的about按钮可以Check for Updates and Install New Software

    相关的概念

    Workbench

     

    相关的任务

    Installation Details for Features 
    Installation Details for Plug-ins 
    Updating the installation 
    Installing new software 
    Uninstalling software 
    Reverting to a previous install configuration

     

     

    转载于:https://www.cnblogs.com/liyuhui20093357/p/4028974.html

    展开全文
  • [MED]features

    2016-04-23 22:32:54
    本质是对高斯分布的变量求偏导,也就是对权重,均值,标准差求偏导. 我们将一张图近似为一个高斯分布,由这个高斯分布来表示这张图像。假设我们是做目标的检测,那么当你得到一个有相同的高斯分布的图的时候你就可以...

    FV(Fisher Vector)

    1.http://blog.csdn.net/ikerpeng/article/details/41644197
    本质是对高斯分布的变量求偏导,也就是对权重,均值,标准差求偏导.
    我们将一张图近似为一个高斯分布,由这个高斯分布来表示这张图像。假设我们是做目标的检测,那么当你得到一个有相同的高斯分布的图的时候你就可以判断出这就是那个目标了。但实际的情况是却不一定是这样的,我们看一张图:
    这里写图片描述
    这两张图上特征点的分布在黑色的区域,二者的分布却可以一样(当然我画的不是很好)!
    由此,我们知道,在高斯分布的基础上我们再找到变化的方向,我们便可以更加准确的表示这一张图!
    2.http://blog.csdn.net/carrierlxksuper/article/details/28151013
    Fisher vector本质上是用似然函数的梯度vector来表达一幅图像,这个梯度向量的物理意义就是describes the direction in which parameters should be modified to best fit the data,说白了就是数据拟合中对参数调优的过程。似然函数是哪里来的呢?这里就涉及到上面所说的生成方法了。对于一幅图像 ,有T个描述子(比如SIFT),那么这幅图像就可以表示为:

    X={xt,t=1,2,...,T}

    如果假设这些特征xt符合一定的分布并且这些分布彼此独立,也就是i.i.d(独立同分布)。于是就有:
    p(X|λ)=t=1Tp(xt|λ)λ={wi,μi,i,i=1,2,...,N}

    取对数之后变成
    L(X|λ)=logp(x|λ)=t=1Tlogp(xt|λ)(1)

    现在需要一组N个高斯分布的线性组合来逼近这些i.i.d.,假设这些高斯混合分布参数也是λ,于是
    p(xt|λ)=iNwipi(xt|λ)(2)

    公式(2)中的pi(xt|λ)就是高斯分布,
    pi(x|λ)=exp{12(xμi)1i(xμi)}(2π)D/2|i|1/2(3)

    有了公式(1),(2),(3)之后,就可以对公式(1)求导,然后将偏导数,也就是梯度作为fisher vector了。
    L(X|λ)wi

    L(X|λ)μdi

    L(X|λ)σdi

    HOG(Histogram of Oriented Gradients)

    focuses on static appearance information
    1.图像灰度化
    2.划分成小cell(2x2)
    3.计算每个 cell中每个pixel的gradient(即orientation)
    4.统计每个cell中的梯度直方图(不同梯度的个数)即可形成每个cell的descriptor
    5.将每n个cell组成一个block(如3x3cell/block),一个block中所有cell的特征descriptor串联起来便可以得到这个block的HOG特征descriptor.
    6.将所有block的descriptor串联起来便可以得到整张图的…

    HOG(Histogram of Optical Flow)

    capture the local motion information

    MBH(Motion Boundry Histogram)

    [derivatives of optical flows]
    在存在背景运动时,MBH能捕捉到相对运动,
    The MBH descriptor separates the optical flow field Iw=(Ix,Iy) into its x and y component. Spatial derivatives are computed for each of them and orientation information is quantized into histograms, similarly to the HOG descriptor.
    Since MBH represents the gradient of the optical flow, constant motion information is suppressed and only information about changes in the flow field (i.e., motion boundaries) is kept.
    It is a simple way to eliminate noise due to background motion.

    Dense Trajectory

    [Action Recognition by Dense Trajectories, cvpr2011]
    这里写图片描述
    densely sample feature points in each frame
    track points in the video based on optical flow.
    compute multiple descriptors along the trajectories(the length of a trajectory is L frames) of feature points to capture shape, appearance and motion information.

    IDT(Improved Dense Trajectory)

    • Explicit camera motion estimation
      · Assumption: two consecutive frames are related by a homography.
      · Match feature points between frames using SURF descriptors and dense optical flow
    • Removing inconsistent matches due to humans: use a human detector to remove matches from human regions (computation expensive)

    bag of features

    http://yongyuan.name/blog/bag-of-word-model.html
    1.feature extraction
    N张图片,每张图提n个features(或者说第i张图有n个patch,每个patch去提特征)。最后,这N张图片一共有 M个features
    2.codebook
    这些features经过了kmeans聚类后,得到了k个聚类中心(在BOW模型中聚类中心我们称它们为视觉词),码本的长度也就为k
    3.生成每张图的histogram(according to codebook)
    计算每一幅图像的每一个feature到这k个中心的距离,并将其映射到距离最近的视觉词中(即将该视觉词的对应词频+1)。完成这一步后,每一幅图像就变成了一个与视觉词序列相对应的词频矢量。
    4.train
    5.新的图先经过3后,再用4的分类器进行分类

    TIP

    have significent local variations in both spatial and temporal domain

    Spatial Pyramid Matching

    SPM出现的背景是bag of visual words模型被大量地用在了Image representation中,但是BOW模型完全缺失了特征点的spatial信息。
    文章的贡献,看完以后觉得其实挺简单的,和分块直方图其实是一个道理——将图像分成若干块(sub-regions),分别统计每一子块的特征,最后将所有块的特征拼接起来,形成完整的特征。这就是SPM中的Spatial。在分块的细节上,作者采用了一种多尺度的分块方法,即分块的粒度越大越细(increasingly fine),呈现出一种层次金字塔的结构,这就是SPM中的Pyramid。(http://www.cnblogs.com/yymn/p/4589327.html)

    X 和Y 是d维特征空间上的两个集合。(图像的特征空间d=2)
    More specifically, let us construct a sequence of grids at resolutions 0,...,L, such that the grid at level l has 2l cells along each dimension, for a total of D=2dl cells.
    Let HlX and HlY denote the histograms of X and Y at this resolution, so that HlX(i) and HlY(i) are the numbers of points from X and Y that fall into the ith cell of the grid. Then the number of matches at level l is

    Γ(HlX,HlX)=i=1Dmin(HlX(i),HlY(i))

    Note that the number of matches found at level l also includes all the matches found at the finer level l+1. Putting all the pieces together, we get the following definition of a pyramid match kernel: KL(X,Y)=....
    这里写图片描述
    Specifically, we quantize all feature vectors into M discrete types(图中有M=3,菱形,圆点,十字架), and make the simplifying assumption that only features of the same type can be matched to one another.
    Each channel m gives us two sets of two-dimensional vectors, Xm and Ym, representing the coordinates of features of type m found in the respective images. The final kernel is then the sum of the separate channel kernels:
    KL(X,Y)=m=1MKL(Xm,Ym)

    This approach has the advantage of maintaining continuity with the popular “visual vocabulary” paradigm — in fact, it reduces to a standard bag of features when L=0.
    we can implement KL as a single histogram intersection of “long” vectors formed by concatenating the appropriately weighted histograms of all channels at all resolutions.
    For L levels and M channels, the resulting vector has dimensionality: MLl=02dl=MLl=04l
    //to be continued
    展开全文
  • Bag of Features (BOF)图像检索算法

    万次阅读 多人点赞 2014-09-21 11:33:29
    1.首先,我们用surf算法生成图像库中每幅图的特征点及描述符。 2.再用k-means算法对图像库中的特征点进行训练,生成类心。 3.生成每幅图像的BOF,具体方法为:判断图像的每个特征点与哪个类心最近,最近则放入...

    1.首先,我们用surf算法生成图像库中每幅图的特征点及描述符。

    2.再用k-means算法对图像库中的特征点进行训练,生成类心。

    3.生成每幅图像的BOF,具体方法为:判断图像的每个特征点与哪个类心最近,最近则放入该类心,最后将生成一列频数表,即初步的无权BOF。

    4.通过tf-idf对频数表加上权重,生成最终的bof。(因为每个类心对图像的影响不同。比如超市里条形码中的第一位总是6,它对辨别产品毫无作用,因此权重要减小)。

    5.对query进来的图像也进行3.4步操作,生成一列query图的BOF。

    6.将query的Bof向量与图像库中每幅图的Bof向量求夹角,夹角最小的即为匹配对象。

    图像检索中应用LSH实现快速搜索,其在一定概率的保证下解决了高维特征查询的问题,但笔者在应用LSH结合SIFT特征实践图像检索实验时,由于每张图像涉及上百个特征,那么在查询一张图片时,需要进行上而次的特征查询,即便是将查询图片的特征点数筛选至50%的量,一次图片查询需要进行的特征查询次数亦不容小窥。那么有没有方法可以将任意图片的所有特征向量用一个固定维数的向量表出,且这个维数并不因图片特征点数不同而变化?本篇要讲到的方法可以解决这个问题,尽管它并不是因这个问题而生的。

    Bag-of-Words模型源于文本分类技术,在信息检索中,它假定对于一个文本,忽略其词序和语法、句法。将其仅仅看作是一个词集合,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,或者说这篇文章的作者在任意一个位置选择词汇都不受前面句子的影响而独立选择的。

    图像可以视为一种文档对象,图像中不同的局部区域或其特征可看做构成图像的词汇,其中相近的区域或其特征可以视作为一个词。这样,就能够把文本检索及分类的方法用到图像分类及检索中去。

                           Accelerating Bag-of-Features SIFT Algorithm  for 3D Model Retrieval

    Bag-of-Features模型仿照文本检索领域的Bag-of-Words方法,把每幅图像描述为一个局部区域/关键点(Patches/Key Points)特征的无序集合。使用某种聚类算法(如K-means)将局部特征进行聚类,每个聚类中心被看作是词典中的一个视觉词汇(Visual Word),相当于文本检索中的词,视觉词汇由聚类中心对应特征形成的码字(code word)来表示(可看当为一种特征量化过程)。所有视觉词汇形成一个视觉词典(Visual Vocabulary),对应一个码书(code book),即码字的集合,词典中所含词的个数反映了词典的大小。图像中的每个特征都将被映射到视觉词典的某个词上,这种映射可以通过计算特征间的距离去实现,然后统计每个视觉词的出现与否或次数,图像可描述为一个维数相同的直方图向量,即Bag-of-Features。

                                               

                              Bag of Features Codebook Generation by Self-Organisation

     Bag-of-Features更多地是用于图像分类或对象识别。在上述思路下对训练集提取Bag-of-Features特征,在某种监督学习(如:SVM)的策略下,对训练集的Bag-of-Features特征向量进行训练,获得对象或场景的分类模型;对于待测图像,提取局部特征,计算局部特征与词典中每个码字的特征距离,选取最近距离的码字代表该特征,建立一个统计直方图,统计属于每个码字的特征个数,即为待测图像之Bag-of-Features特征;在分类模型下,对该特征进行预测从实现对待测图像的分类。

    Classification Process

    1、局部特征提取:通过分割、密集或随机采集、关键点或稳定区域、显著区域等方式使图像形成不同的patches,并获得各patches处的特征。

                                                                                        

    其中,SIFT特征较为流行。

    2、构建视觉词典:

    由聚类中心代表的视觉词汇形成视觉词典:

    3、生成码书,即构造Bag-of-Features特征,也即局部特征投影过程:

    4、SVM训练BOF特征得分类模型,对待测图像BOF特征预测:

    Retrieval Process

    Bag-of-words在CV中的应用首先出现在Andrew Zisserman[6]中为解决对视频场景的搜索,其提出了使用Bag-of-words关键点投影的方法来表示图像信息。后续更多的研究者归结此方法为Bag-of-Features,并用于图像分类、目标识别和图像检索。在Bag-of-Features方法的基础上,Andrew Zisserman进一步借鉴文本检索中TF-IDF模型(Term Frequency一Inverse Document Frequency)来计算Bag-of-Features特征向量。接下来便可以使用文本搜索引擎中的反向索引技术对图像建立索引,高效的进行图像检索。

    Hamming embedding and weak geometric consistency for large scale image search

    实现检索的过程同分类的过程无本质的差异,更多的是细节处理上的差异:

    1、局部特征提取;

    2、构建视觉词典;

    3、生成原始BOF特征;

    4、引入TF-IDF权值:

    TF-IDF是一种用于信息检索的常用加权技术,在文本检索中,用以评估词语对于一个文件数据库中的其中一份文件的重要程度。词语的重要性随着它在文件中出现的频率成正比增加,但同时会随着它在文件数据库中出现的频率成反比下降。TF的主要思想是:如果某个关键词在一篇文章中出现的频率高,说明该词语能够表征文章的内容,该关键词在其它文章中很少出现,则认为此词语具有很好的类别区分度,对分类有很大的贡献。IDF的主要思想是:如果文件数据库中包含词语A的文件越少,则IDF越大,则说明词语A具有很好的类别区分能力。
    词频(Term Frequency,TF)指的是一个给定的词语在该文件中出现的次数。如:tf = 0.030 ( 3/100 )表示在包括100个词语的文档中, 词语'A'出现了3次。
    逆文档频率(Inverse Document Frequency,IDF)是描述了某一个特定词语的普遍重要性,如果某词语在许多文档中都出现过,表明它对文档的区分力不强,则赋予较小的权重;反之亦然。如:idf = 13.287 ( log (10,000,000/1,000) )表示在总的10,000,000个文档中,有1,000个包含词语'A'。
    最终的TF-IDF权值为词频与逆文档频率的乘积。

    5、对查询图像生成同样的带权BOF特征;

    6、查询:初步是通过余弦距离衡量,至于建立索引的方法还未学习到,望看客指点。

    Issues

    1、使用k-means聚类,除了其K和初始聚类中心选择的问题外,对于海量数据,输入矩阵的巨大将使得内存溢出及效率低下。有方法是在海量图片中抽取部分训练集分类,使用朴素贝叶斯分类的方法对图库中其余图片进行自动分类。另外,由于图片爬虫在不断更新后台图像集,重新聚类的代价显而易见。
    2、字典大小的选择也是问题,字典过大,单词缺乏一般性,对噪声敏感,计算量大,关键是图象投影后的维数高;字典太小,单词区分性能差,对相似的目标特征无法表示。
    3、相似性测度函数用来将图象特征分类到单词本的对应单词上,其涉及线型核,塌方距离测度核,直方图交叉核等的选择。
    4、将图像表示成一个无序局部特征集的特征包方法,丢掉了所有的关于空间特征布局的信息,在描述性上具有一定的有限性。为此, Schmid[2]提出了基于空间金字塔的Bag-of-Features。
    5、Jégou[7]提出VLAD(vector of locally aggregated descriptors),其方法是如同BOF先建立出含有k个visual word的codebook,而不同于BOF将一个local descriptor用NN分类到最近的visual word中,VLAD所采用的是计算出local descriptor和每个visual word(c­i)在每个分量上的差距,将每个分量的差距形成一个新的向量来代表图片。

    Resources

    Two bag-of-words classifiers(Matlab)
    Code for Vocabulary tree based image search(C++)
    matlab+VC 实现Bag of features 
    Bag of Words/Bag of Features的Matlab源码
    一个用BoW|Pyramid BoW+SVM进行图像分类的Matlab Demo
    Bag-Of-Words中K-Means聚类的效率优化
    aMMAI BLOG
    Visual Wordsを用いた類似画像検索
    bayonを使って画像からbag-of-keypointsを求める

    Paper

    1.Bag of words models(.ppt )  byLi Fei-Fei(Stanford)

    2.  Spatial Pyramid Matching:

    3. Improving bag-of-features for large scale image search

    • Improving bag-of-features for large scale image search.
      Hervé Jégou, Matthijs Douze, Cordelia Schmid.International Journal of Computer Vision, Volume 87, Number 3 - feb 2010.[pdf]
      Demo:bigimbaz image search engine 

    4. Hamming embedding and weak geometric consistency for large scale image search. Hervé Jégou, Matthijs Douze, Cordelia Schmid
    European Conference on Computer Vision - oct 2008.[pdf][slides]

    5. Bag-of-colors for improved image search. Christian Wengert, Matthijs Douze, Hervé Jégou,ACM Multimedia (2011).[pdf]

    6. Video Google: A Text Retrieval Approach to Object Matching in Videos  .  J. Sivic, A. Zisserman.  IEEE International Conference on Computer Vision, Volume 2, page 1470--1477, 2003.[PDF ]

    7.Aggregating local descriptors into a compact image representation. Hervé Jégou, Matthijs Douze, Cordelia Schmid, Patrick Pérez. IEEE Conference on Computer Vision & Pattern Recognition - jun 2010. [pdf][sildes]

     

    转自:http://hi.baidu.com/hj11yc/item/1c08ac29db90480242634ace

    展开全文
  • 1、sklearn中Polynomialfeatures的用法最直观说明

    万次阅读 多人点赞 2018-05-29 18:50:20
    使用sklearn.preprocessing.PolynomialFeatures来进行特征的构造。它是使用多项式的方法来进行的,如果有a,b两个特征,那么它的2次多项式为(1,a,b,a^2,ab, b^2),这个多项式的形式是使用poly的效果。Polynomial...
  • Deprecated Gradle features were used in this build, making it incompatible with Gradle 6.0. Use ‘–warning-mode all’ to show the individual deprecation warnings. ubuntu下编译安卓程序报错,网上搜了...
  • 前言使用gradle打包react native的时候,出现了如下报错,下面和大家说一下解决的具体办法Deprecated Gradle features were used in this build, making it incompatible with Gradle 5.0问题详解从字面意思来看,是...
  • 如何安装python_speech_features

    千次阅读 2018-07-28 21:21:41
    安装这个模块直接使用pip命令就可以了...在下载python_speech_features模块之前,先在anaconda里面下载numpy、scipy模块,之后就可以用pip命令下载python_speech_features了。 pip install python_speech_featur...
  • securecrt安装中的features(leave blank if license has........),如果没有以管理员身份运行KG_ttrar.exe,feature的留白是不能破解成功的,必须以管理员的身份运行才行。
  • bs4.FeatureNotFound: Couldn't find a tree builder with the features you requested: lxml 使用pip和easy_install 安装都安装不成功,后来查到网上的安装lxml的方法解决了这个问题 具体方法查看: ...
  • 使用sklearn.preprocessing.PolynomialFeatures来进行特征的构造。它是使用多项式的方法来进行的,如果有a,b两个特征,那么它的2次多项式为(1,a,b,a^2,ab, b^2)。PolynomialFeatures有三个参数degree:控制多项式...
  • 目录 一、论文 二、模型介绍 三、模型预训练 一、论文 先来看看VGG这篇论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》论文下载地址 ...论文中几个模型主要以几下几种方案A、B、C、D...
  • > Task :app:compileDebugKotlin FAILED e: D:\androidSpace\MvvpCi\app\src\main\java\dae\rounder\ui\presentation\GameListAdapter.kt: (17, 17): Unresolved reference: lifecycleOwner ...
  • 本系列博客后续将更新于个人微信公众号,欢迎关注。       ...First OrderFeatures (19 features) ... Gray LevelCo-occurrence Matrix (GLCM) Features (23 features) Gray Level SizeZone Matrix (GLSZM) F...
  • bs4.FeatureNotFound: Couldn't find a tree builder with the features you requested: lxml. Do you need to install a parser library 原因:没有 lxml包 下载及安装: 猜测题主windows系统,这里安利一个...
  • First OrderFeatures (19 features)Shape Features(16 features)Gray LevelCo-occurrence Matrix (GLCM) Features (23 features)Gray Level SizeZone Matrix (GLSZM) Features (16 features)Gray Level RunLength Ma...
  • ML之LiR&2PolyR&4PolyR:使用线性回归LiR、二次多项式回归2PolyR、四次多项式回归4PolyR模型在披萨数据集上拟合(train)、价格回归预测(test) 目录 输出结果 ...poly4 = PolynomialFeature...
  • 0. 目录 1. 插件介绍 2. 安装方式 3. 使用方法 3.1Editor Basics 3.2 Code Completion 3.3 Refactorings 3.4 Code Assistance 3.5 Navigation 1. 插件介绍 ...只需安装此插件,打开IDE,然后...
  • bs4.FeatureNotFound: Couldn't find a tree builder with the features you requested: lxml. Do you need to install a parser library? 几经周折才知道是bs4调用了python自带的html解析器,我用的mac,默认安装的...
1 2 3 4 5 ... 20
收藏数 328,321
精华内容 131,328
关键字:

features