精华内容
下载资源
问答
  • 图像的特征提取都有哪些算法

    万次阅读 2015-07-09 11:39:02
    常用图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一 颜色特征 ...一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域像素都有各自贡献。由于颜色对图像或图像区域

    original url: http://www.ilovematlab.cn/thread-11681-1-1.html

    常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。


    一 颜色特征

    (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出颜色空间分布的信息。

    (二)常用的特征提取与匹配方法

    (1)        颜色直方图

    其优点在于:它能简单描述一幅图像中颜色的全局分布,即不同色彩在整幅图像中所占的比例,特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于:它无法描述图像中颜色的局部分布及每种色彩所处的空间位置,即无法描述图像中的某一具体的对象或物体。

    最常用的颜色空间:RGB颜色空间、HSV颜色空间。

    颜色直方图特征匹配方法:直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。

    (2)       颜色集

    颜色直方图法是一种全局颜色特征提取与匹配方法,无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间(如 HSV 空间),并将颜色空间量化成若干个柄。然后,用色彩自动分割技术将图像分为若干区域,每个区域用量化颜色空间的某个颜色分量来索引,从而将图像表达为一个二进制的颜色索引集。在图像匹配中,比较不同图像颜色集之间的距离和色彩区域的空间关系

    (3)       颜色矩

    这种方法的数学基础在于:图像中任何的颜色分布均可以用它的矩来表示。此外,由于颜色分布信息主要集中在低阶矩中,因此,仅采用颜色的一阶矩(mean)、二阶矩(variance)和三阶矩(skewness)就足以表达图像的颜色分布。

    (4)       颜色聚合向量

    其核心思想是:将属于直方图每一个柄的像素分成两部分,如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值,则该区域内的像素作为聚合像素,否则作为非聚合像素。

    (5)       颜色相关图

    二 纹理特征

    (一)特点:纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功。作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力。但是,纹理特征也有其缺点,一个很明显的缺点是当图像的分辨率变化的时候,所计算出来的纹理可能会有较大偏差。另外,由于有可能受到光照、反射情况的影响,从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。

    例如,水中的倒影,光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性,因而将纹理信息应用于检索时,有时这些虚假的纹理会对检索造成“误导”。

    在检索具有粗细、疏密等方面较大差别的纹理图像时,利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候,通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。

    (二)常用的特征提取与匹配方法

    纹理特征描述方法分类

    (1)统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上,通过实验,得出灰度共生矩阵的四个关键特征:能量、惯量、熵和相关性。统计方法中另一种典型方法,则是从图像的自相关函数(即图像的能量谱函数)提取纹理特征,即通过对图像的能量谱函数的计算,提取纹理的粗细度及方向性等特征参数

    (2)几何法

    所谓几何法,是建立在纹理基元(基本的纹理元素)理论基础上的一种纹理特征分析方法。纹理基元理论认为,复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中,比较有影响的算法有两种:Voronio 棋盘格特征法和结构法。

    (3)模型法

    模型法以图像的构造模型为基础,采用模型的参数作为纹理特征。典型的方法是随机场模型法,如马尔可夫(Markov)随机场(MRF)模型法和 Gibbs 随机场模型法

    (4)信号处理法

    纹理特征的提取与匹配主要有:灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。

    灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究,提出6种属性,即:粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型(simultaneous auto-regressive, SAR)是马尔可夫随机场(MRF)模型的一种应用实例。

    三 形状特征

      (一)特点:各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索,但它们也有一些共同的问题,包括:①目前基于形状的检索方法还缺乏比较完善的数学模型;②如果目标有变形时检索结果往往不太可靠;③许多形状特征仅描述了目标局部的性质,要全面描述目标常对计算时间和存储量有较高的要求;④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致,或者说,特征空间的相似性与人视觉系统感受到的相似性有差别。另外,从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影,从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状,由于视点的变化,可能会产生各种失真。

    (二)常用的特征提取与匹配方法

    Ⅰ几种典型的形状特征描述方法

    通常情况下,形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征。图像的轮廓特征主要针对物体的外边界,而图像的区域特征则关系到整个形状区域。

    几种典型的形状特征描述方法:

    (1)边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法,其基本思想是点—线的对偶性;边界方向直方图法首先微分图像求得图像边缘,然后,做出关于边缘大小和方向的直方图,通常的方法是构造图像灰度梯度方向矩阵。

    (2)傅里叶形状描述符法

    傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述,利用区域边界的封闭性和周期性,将二维问题转化为一维问题。

    由边界点导出三种形状表达,分别是曲率函数、质心距离、复坐标函数。

    (3)几何参数法

    形状的表达和匹配采用更为简单的区域特征描述方法,例如采用有关形状定量测度(如矩、面积、周长等)的形状参数法(shape factor)。在 QBIC 系统中,便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数,进行基于形状特征的图像检索。

    需要说明的是,形状参数的提取,必须以图像处理及图像分割为前提,参数的准确性必然受到分割效果的影响,对分割效果很差的图像,形状参数甚至无法提取。

    (4)形状不变矩法

    利用目标所占区域的矩作为形状描述参数。

    (5)其它方法

    近年来,在形状的表示和匹配方面的工作还包括有限元法(Finite Element Method 或 FEM)、旋转函数(Turning Function)和小波描述符(Wavelet Descriptor)等方法。

    Ⅱ 基于小波和相对矩的形状特征提取与匹配

       该方法先用小波变换模极大值得到多尺度边缘图像,然后计算每一尺度的 7个不变矩,再转化为 10 个相对矩,将所有尺度上的相对矩作为图像特征向量,从而统一了区域和封闭、不封闭结构。

    四 空间关系特征

      (一)特点:所谓空间关系,是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类:相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况,如上下左右关系等,后一种关系强调的是目标之间的距离大小以及方位。显而易见,由绝对空间位置可推出相对空间位置,但表达相对空间位置信息常比较简单。

    空间关系特征的使用可加强对图像内容的描述区分能力,但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外,实际应用中,仅仅利用空间信息往往是不够的,不能有效准确地表达场景信息。为了检索,除使用空间关系特征外,还需要其它特征来配合。

    (二)常用的特征提取与匹配方法
    提取图像空间关系特征可以有两种方法:一种方法是首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征,并建立索引;另一种方法则简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。
    展开全文
  • 企业通过使用聚类分析算法可以进行客户分群,在不明确客户群行为特征的情况下对客户数据从不同维度进行分群,再对分群客户进行特征提取和分析,从而抓住客户特点推荐相应的产品和服务。 (2)分类,类似于...

    (1)聚类,又称群分析,是研究(样品或指标)分类问题的一种统计分析方法,针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大,但不同类别之间数据的相似性很小,跨类的数据关联性很低。企业通过使用聚类分析算法可以进行客户分群,在不明确客户群行为特征的情况下对客户数据从不同维度进行分群,再对分群客户进行特征提取和分析,从而抓住客户特点推荐相应的产品和服务。

    (2)分类,类似于聚类,但是目的不同,分类可以使用聚类预先生成的模型,也可以通过经验数据找出一组数据对象的共同点,将数据划分成不同的类,其目的是通过分类模型将数据项映射到某个给定的类别中,代表算法是CART(分类与回归树)。企业可以将用户、产品、服务等各业务数据进行分类,构建分类模型,再对新的数据进行预测分析,使之归于已有类中。分类算法比较成熟,分类准确率也比较高,对于客户的精准定位、营销和服务有着非常好的预测能力,帮助企业进行决策。

    (3)回归,反映了数据的属性值的特征,通过函数表达数据映射的关系来发现属性值之间的一览关系。它可以应用到对数据序列的预测和相关关系的研究中。企业可以利用回归模型对市场销售情况进行分析和预测,及时作出对应策略调整。在风险防范、反欺诈等方面也可以通过回归模型进行预警。

    传统的数据方法,不管是传统的OLAP技术还是数据挖掘技术,都难以应付大数据的挑战。首先是执行效率低。传统数据挖掘技术都是基于集中式的底层软件架构开发,难以并行化,因而在处理TB级以上数据的效率低。其次是数据分析精度难以随着数据量提升而得到改进,特别是难以应对非结构化数据。

    在人类全部数字化数据中,仅有非常小的一部分(约占总数据量的1%)数值型数据得到了深入分析和挖掘(如回归、分类、聚类),大型互联网企业对网页索引、社交数据等半结构化数据进行了浅层分析(如排序),占总量近60%的语音、图片、视频等非结构化数据还难以进行有效的分析。
      人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
    数据统计分析和数据挖掘有何区别?
    http://www.duozhishidai.com/article-11047-1.html
    数据挖掘的聚类算法和优势
    http://www.duozhishidai.com/article-12942-1.html
    如何通过自学,成为数据挖掘“高手”?
    http://www.duozhishidai.com/article-9796-1.html
    数据分析与数据挖掘的区别和联系?
    http://www.duozhishidai.com/article-9800-1.html
    构建一个数据挖掘模型,主要分为哪几步?
    http://www.duozhishidai.com/article-9719-1.html


    多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

    多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
    展开全文
  • SURF特征检测上一篇博文已经介绍过了,这里不再赘述,关键问题图像的特征被描述出来之后,怎样快速粗选出哪些属于匹配点,如果不采用算法进行优化,那么这一部分运算量相当大,FLANN最近邻算法的功...

    标题中提到的方法的具体应用场景如下

    ⑴以图搜图,如果两幅图的特征点得到了匹配,认为是同一幅图像,比例不一样也无所谓

    ⑵目标在图中,通过匹配提取出原图中的目标

    ⑶以后想到再补充,....

    SURF特征检测上一篇博文已经介绍过了,这里不再赘述,关键的问题是图像的特征被描述出来之后,怎样快速粗选出哪些点属于匹配点,如果不采用算法进行优化,那么这一部分的运算量是相当大的,FLANN最近邻算法的功能便是粗选出哪些点属于匹配点,具体的原理这篇博文不多述,需要了解详细原理的可以去查阅相关资料。

    在OpenCV中使用类 FlannBasedMatcher实现FLANN最近邻算法,下面上代码,代码我就不详解了,如果有OpenCV和C++的基础了,那么稍微花点精力就能明白代码含义。不过如果要搞懂原理,就需要查阅较多的资料了。不过是否需要搞懂原理还是需要根据具体的情况来嘛,有那个需要再去弄懂,没有必要就没必要去浪费时间嘛。

    代码如下(代码中用到的图像的下载链接为http://pan.baidu.com/s/1jI11Av0):

    代码请访问博文https://blog.csdn.net/lehuoziyuan/article/details/84347434获取
    代码请访问博文https://blog.csdn.net/lehuoziyuan/article/details/84347434获取
    代码请访问博文https://blog.csdn.net/lehuoziyuan/article/details/84347434获取

     

    运行结果如下图所示:

    从运行结果中我们可以看出,根据obj图的特征,我们在原图中找到了它,并且标注了它所在的区域值得注意的是,obj图确实是我从大图中截出来的,但是截出来之后我还进行了缩小到原图的百分之三十的操作,所以只能通过特征去原图中查找,而不能单纯的从图像数据上去搜索。

    展开全文
  • K近邻极简案例文章目录K-近邻算法...该方法思路:如果一个样本在特征空间中k个最相似(即特征空间中最邻近)样本中大多数属于某一个类别,则该样本也属于这个类别三维空间两点a(x1,y1,z1)与b(x2,y2,z2)间...

    43fb8cef6e5ceff7b24fe0edb7d6087f.png

    K近邻极简案例

    文章目录

    K-近邻算法介绍

    K近邻数据样本分析

    K-近邻快速入门

    K-近邻算法介绍

    K最近邻(k-Nearest Neighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别

    三维空间两点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离, 欧式举例的本质就是如果两个样本之间的特征值越相邻,则值越小(距离越短)53ed74a71d62559a5fa7bc97d07f19bc.png

    K近邻数据样本分析9a8cda91eb5714f67eb2c7ea3500b216.png

    K-近邻快速入门通过此案例,理解训练集与测试集的使用,了解K-近邻API常用功能,并且掌握K超参数的意义fe21afc69e96692db46f2157f533d9e9.png

    K近邻识别图形图像

    文章目录

    K近邻识别图片

    PCA主成分分析

    采用PCA降维提示运算效率

    K近邻识别图片

    在本篇文章中我们使用sklearn中自带的手写数字数据集(digits),这个数据集中并没有图片,而是经过提取得到的手写数字特征和标记,就免去了我们的提取数据的麻烦,但是在实际的应用中是需要我们对图片中的数据进行提取的731f9c2b1e59ccbda35d3750c3104c73.png

    PCA主成分分析

    在很多机器学习算法的复杂度和数据的维度有着密切的关系,甚至与维数呈现指数级关联。在图形图像中机器学习处理成千上万甚至几十万的维度的情况也并不罕见,在这种情况下,机器学习的资源消耗是不可接收的,因此我们必须对数据进行降维处理

    主要用于数据的降维 通过降维,可以发现更便于人类理解的特征

    其它应用:可视化,去噪音

    降维当然意味着信息的丢失,不过鉴于实际数据本身通常存在相关性,我们可以想办法在降维的同时将信息的损失尽量降低

    一些相关性案例

    “浏览量"和"访客数” 往往具有较强的相关性

    “下单数”和"成交数" 也具有较强的相关性

    “学历”和"学位" 具有较强的相关性

    采用PCA降维提示运算效率a556833e4cf2e3b7eb00ee2fb5e06bfd.png

    交叉验证与网格搜索

    文章目录

    为什么使用交叉验证

    交叉验证原理分析

    交叉验证与网格搜索

    为什么使用交叉验证

    交叉验证用于评估模型的性能预测,尤其是训练好的模型在新数据上的表现

    可以在一定程度上减少过拟合 可以从有限的数据中获取尽可能多的有效信息

    评估的正确率相对更稳定

    交叉验证原理分析

    交叉验证,将拿到的训练数据,分为训练集和验证集 (总数据 = (训练集 (训练集 + 验证集) + 测试集),例如:可以将数据分成5份,其中一份作为验证集。然后经过5次(5组)的测试,每次更换不同的验证集,得到5组模型的结果。取平均值作为最终结果。又称为5折交叉验证ea64684649458228d8352a21ae3a2e80.png

    交叉验证与网格搜索网格搜索法是指定参数值的一种穷举搜索方法,通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法。f9bb6cee35c00a8bda0274cc1828c162.png

    4966d1ee37c27b8742bdb83812a6c358.png

    a968af652b9dea8911ed72f2f09e298a.png

    展开全文
  • 统治世界十大算法

    2020-07-27 12:04:25
    算法千千万万,又有哪些算法属于“皇冠上珍珠”呢?Marcos Otero 给出了他看法。 什么是算法? 通俗而言,算法是一个定义明确计算过程,可以一些值或一组值作为输入并产生一些值或一组值作为输出。因此算法...
  • 算法千千万万,又有哪些算法属于“皇冠上珍珠”呢?MarcosOtero给出了他看法。通俗而言,算法是一个定义明确计算过程,可以一些值或一组值作为输入并产生一些值或一组值作为输出。因此算法就是将输入转为输出...
  • 朴素贝叶斯算法的关键点特征工程,即,决定哪些特征作为样本点的特征项,构造了一个特征...预测时,作同样的特征提取,然后根据特征的概率分布,即能获得输入数据属于各个类别的似然概率,再乘以先验概率,得出属...
  • 简单实现KNN算法

    2019-09-22 20:22:20
    也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问 题。没有哪个电影人会说自己制作电影和以前某部电影类似,但我们确实知道每部电影在风格 上的确有可能会和同题材电影相近。...
  • KNN算法

    2018-09-04 20:43:24
    也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问 题。没有哪个电影人会说自己制作电影和以前某部电影类似,但我们确实知道每部电影在风格 上的确有可能会和同题材电影相近。...
  • 由对象多个特征组成的特征向量,可以自然地看作高维数据空间中 一点。许多实际问题涉及到高维数据点。在高维空间中点超球范围查 找问题:已知一个高维数据点集,输入一个点和半径数值,询问所确定 超球范围...
  • 也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问题。动作片中也会存在接吻镜头,爱情片中也会存在打斗场景,我们不能单纯依靠是否存在打斗或者亲吻来判断影片类型。爱情片中亲吻...
  • 也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问题。 动作片中也会存在接吻镜头,爱情片中也会存在打斗场景,我们不能单纯依靠是否存在打斗或者亲吻来判断影片类型。 爱情片中...
  • 如何利用 C# 实现 K 最邻近算法

    千次阅读 2019-03-10 14:01:33
    也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问题。没有哪个电影人会说自己制作电影和以前某部电影类似,但我们确实知道每部电影在风格上的确可能会和同题材电影相近。那么...
  • 机器学习基础算法小结

    千次阅读 2017-02-08 19:06:11
    机器学习问题更多算法模型优化,特征工程也属于算法模型优化,这一点在后面均有体现。说明:本文对部分机器学习的算法模型思想进行抽取,不会出现详细推导。先看一下要掌握的算法哪些,我个人...
  • K-近邻算法(KNN) K-nearest neighbor K-近邻算法 ...也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问 题。没有哪个电影人会说自己制作电影和以前某部电影类似,但我们确实...
  • 算法核心思想如果一个样本在特征空间中K个最临近样本中大多数属于某一个类别,则该样本也属于这个类别。整个分类过程包括三步,一算距离来判断哪些是邻居;二求近邻,即选择K值;三做决策,进行分类。...
  • K-近邻算法(KNN)

    2020-10-27 13:55:31
    也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问 题。没有哪个电影人会说自己制作电影和以前某部电影类似,但我们确实知道每部电影在风格 上的确有可能会和同题材电影相近。...
  • 机器学习 K近邻(K-Nearest-Neighbors)算法剖析 一、 读懂该算法所具备相关知识 熟练掌握Python语言 ...线性代数矩阵常见基本运算 ...也就是说同一题材电影具有哪些公共特征?这些都
  • 也就是说同一题材电影具有哪些公共特征?这些都在电影分类时必须考虑问题。没有哪一个电影人会说自己制作电影和以前某部电影类似,点我们确实知道每部电影在风格上的确有可能会和同题材电影相近。通过KNN...
  • python机器学习实现K-近邻算法(KNN)

    千次阅读 2018-07-25 19:41:41
    机器学习 K-近邻算法(KNN) 以下命令都在浏览器中输入。 cmd命令窗口输入:jupyter notebook ... ...众所周知,电影可以按照题材...也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑...
  • K-邻近算法(KNN)

    2017-06-25 20:09:16
    也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问 题。没有哪个电影人会说自己制作电影和以前某部电影类似,但我们确实知道每部电影在风格 上的确有可能会和同题材电影相近。...
  • 也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问题。没有哪个电人会说自己制作电影和以前某部电影类似,但我们确实知道每部电影在风格上的确有可能会和同题材电影相近。那.....
  • 9,K-近邻算法(KNN)

    2019-09-25 01:07:10
    也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问 题。没有哪个电影人会说自己制作电影和以前某部电影类似,但我们确实知道每部电影在风格 上的确有可能会和同题材电影相近。...
  • 也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问 题。没有哪个电影人会说自己制作电影和以前某部电影类似,但我们确实知道每部电影在风格 上的确有可能会和同题材电影相近。...
  • 也就是说同一题材电影具有哪些公共特征?这些都在进行电影分类时必须要考虑问题。没有哪个电影人会说自己制作电影和以前某部电影类似,但我们确实知道每部电影在风格上的确可能会和同题材电影相近。那么...
  • 【简答题】穷举法算法设计策略一般框架什么?请用伪代码描述?【简答题】手工绘制思维导图时,步骤及注意事项有哪些,请简述。【单选题】仔细阅读案例,分析其属于哪种公司信托形式?【简答题】Wo...
  • 人脸图像属于最早被研究一类图像,也计算机视觉领域中应用最广泛一类图像,可以说掌握好人脸算法,基本就玩转了计算机视觉领域。在经历了几十年发展后,现在人脸图像都有哪些研究和应用领域呢?本文从人脸...
  • 这个算法很简单,好理解,可解释性很强,比如说见到了哪些词才做出了这样判定。这个算法通常需要大量数据,也就是说需要有足够大训练语料。 简要说一下贝叶斯公式,很easy。P(Y, X) = P(X| Y)P(Y) = P(Y|...

空空如也

空空如也

1 2 3 4
收藏数 75
精华内容 30
关键字:

属于算法特征的是哪些