实际需求分析完了,数据准备完了,到这里重头戏来了,往往也是大家的兴趣所在。
重点:
数据预处理,选方法,各种调试,特征工程,不断实验。
特征工程
特征提取
图像特征提取方法分类
基于手工设计的特征提取方法:如SIFT、SURF、HOG、LBP等,这些方法通过对图像的局部特征、纹理、形状等方面进行描述,从而提取出图像中的重要特征。
基于卷积神经网络的特征提取方法:卷积神经网络(CNN)可以自动从原始图像中学习到高级特征,例如边缘、纹理、形状等,通过在CNN的不同层提取特征,可以得到更高级别的特征表示。
基于特征编码的方法:如Bag-of-Words (BoW)、Fisher Vectors和VLAD等方法,这些方法主要是对图像进行聚类,将图像中的局部特征用一些可视化单词来代表。
基于深度学习的方法:包括自编码器、深度玻尔兹曼机、卷积自编码器、变分自编码器等方法,这些方法通过学习输入图像的低维度表示,从而得到更加鲁棒和有效的特征。
基于形态学操作的方法:通过对图像进行腐蚀、膨胀、开运算、闭运算等形态学操作&#
标签:编码器,人工智能,论文,特征,构建,图像,特征提取,卷积,方法 From: https://blog.csdn.net/qq_30787727/article/details/137292169