一、Gabor變換概述 　　Gabor變換是一種加窗短時Fourier變換（Window Fourier transform or Short Time Fourier Transform）。Fourier變換是整體上將信號分解為不同的頻率分量（任何信號都可分解為復正弦信號之和），對確定性信號 ...

數據表達 : 有時,我們通過對數據集原來的特征進行轉換,生成新的"特征"或者說成分,會比直接使用原始的特征效果要好,即數據表達(data representation) 特征提取 : 如圖像識別,數據表達顯得十分重要,因為圖像是有成千上萬個像素組成的,每個像素又有不同的的RGB色彩值,所以我 ...

法一：Bag-of-words 詞袋模型 文本特征提取有兩個非常重要的模型： 詞集模型：單詞構成的集合，集合中每個元素都只有一個，也即詞集中的每個單詞都只有一個 詞袋模型：如果一個單詞在文檔中出現不止一次，並統計其出現的次數（頻數） 兩者本質上的區別，詞袋是在詞集的基礎上 ...

TF-IDF TF-IDF(Term frequency-inverse document frequency ) 是文本挖掘中一種廣泛使用的特征向量化方法。TF-IDF反映了語料中單詞對文檔的重要程度。假設單詞用t表示，文檔用d表示，語料用D表示，那么文檔頻度DF(t, D)是包含 ...

5.特征提取 有很多特征提取技術可以應用到文本數據上，但在深入學習之前，先思考特征的意義。為什么需要這些特征？它們又如何發揮作用？數據集中通常包含很多數據。一般情況下，數據集的行和列是數據集的不同特征或屬性，每行或者每個觀測值都是特殊的值。在機器學習術語中，特征是獨一無二的，是數據集中每個觀測值 ...

特征提取 特征的種類在圖像領域主要分為點，線，面。線特征和面特征對圖像信息利用得更多，因而其分辨性更高。但遺憾的是，由於線特征和面特征提取的條件比較苛刻，因此在實際應用中並不廣泛。（盡管在SLAM中也有點線結合的實例，在圖像紋理較弱的情況下，線特征可以發揮更大的用處 ...

1.前言 在深度學習出來之前，圖像識別領域北有“Gabor幫主”，南有“SIFT慕容小哥”。目前，深度學習技術可以利用CNN網絡和大數據樣本搞事情，從而取替“Gabor幫主”和“SIFT慕容小哥”的 ...

1. 矩的概念 圖像識別的一個核心問題是圖像的特征提取，簡單描述即為用一組簡單的數據（圖像描述量）來描述整個圖像，這組數據越簡單越有代表性越好。良好的特征不受光線、噪點、幾何形變的干擾。圖像識別發展幾十年，不斷有新的特征提出，而圖像不變矩就是其中一個。 矩是概率與統計中的一個概念，是隨機變量 ...