關於一次深度學習筆試的英文名詞簡介
阿新 • • 發佈：2018-09-22
自然語言 像素 檢測 基於 種類 變換 直方圖 輸出 搜索
ENSEMBLE： ensemble methods（組合方法）機器學習裏面指幾種算法的組合在一起的方法。也叫融合學習，集合方法等。
WORD2VEL：word embeddings“詞向量”，將自然語言中的字詞轉為計算機可以理解的稠密向量（Dense Vector）。
RESCALING:再縮放，樣本正負數量不平均時采用的策略，不再根據輸出的是否大於0.5為分類，改用其他值，就是對結果的縮放。
WHITENING: 白化，降低輸入信息的冗余。PCA白化，ZCA白化等。
FLIGGING:翻轉，圖像翻轉，一般是豐富數據的手段。
ROTATION:旋轉，同上。
SIFT:Scale-invariant feature transform，尺度不變特征變換，
- 尺度空間的極值檢測 搜索所有尺度空間上的圖像，通過高斯微分函數來識別潛在的對尺度和選擇不變的興趣點。
- 特征點定位 在每個候選的位置上，通過一個擬合精細模型來確定位置尺度，關鍵點的選取依據他們的穩定程度。
- 特征方向賦值 基於圖像局部的梯度方向，分配給每個關鍵點位置一個或多個方向，後續的所有操作都是對於關鍵點的方向、尺度和位置進行變換，從而提供這些特征的不變性。
- 特征點描述 在每個特征點周圍的鄰域內，在選定的尺度上測量圖像的局部梯度，這些梯度被變換成一種表示，這種表示允許比較大的局部形狀的變形和光照變換。
HOG:方向梯度直方圖，HOG和SIFT都屬於描述子，以及由於在具體操作上有很多相似的步驟，所以致使很多人誤認為HOG是SIFT的一種，其實兩者在使用目的和具體處理細節上是有很大的區別的。HOG與SIFT的主要區別如下：
HAAR:Haar特征的提取就是通過不斷改變模版的大小、位置和類型，白色矩形區域像素和‘減去’黑色矩形區域像素和，以得到每種類型模版的大量子特征。大多用於人臉識別。
EM算法:求解樣本概率模型的分布及參數。
KNN:K臨近算法，如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別，其中K通常是不大於20的整數。
LOGISTIC REGRESSION性能估計：是一個線性模型用於做分類的，它直接對Y屬於某個類別的概率進行建模。
DENSENET: (網絡結構的一種)每一層的輸入是前面所有層輸出的集合。
關於一次深度學習筆試的英文名詞簡介