為什么通過(guò)距離就可以特征點(diǎn)的相似度？對(duì)閾值的選擇：當(dāng)兩幅圖像的SIFT特征向量生成沉淀后，然后再我們采用關(guān)鍵點(diǎn)特征向量的中式距離來(lái)另外兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量。取圖像1中的某個(gè)關(guān)鍵點(diǎn)，并看出其

為什么通過(guò)距離就可以特征點(diǎn)的相似度？

對(duì)閾值的選擇：當(dāng)兩幅圖像的SIFT特征向量生成沉淀后，然后再我們采用關(guān)鍵點(diǎn)特征向量的中式距離來(lái)另外兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量。取圖像1中的某個(gè)關(guān)鍵點(diǎn)，并看出其與圖像2中古典歐式距離最近的前兩個(gè)關(guān)鍵點(diǎn)，在這兩個(gè)關(guān)鍵點(diǎn)中，如果最近的距離除以2次近的距離不得低于某個(gè)比例閾值，則得到這一對(duì)不兼容點(diǎn)。降底這個(gè)比例閾值，SIFT自動(dòng)分配點(diǎn)數(shù)目會(huì)減少，但更好的穩(wěn)定性。為了先排除而且圖像遮擋物和背景混亂不堪而才能產(chǎn)生的無(wú)版本問(wèn)題關(guān)系的關(guān)鍵點(diǎn),Lowe給出了比較最近鄰距離與次近鄰距離的方法,相距比率ratio大于某個(gè)閾值的以為是正確的自動(dòng)分配。因?yàn)檫@對(duì)錯(cuò)誤看操作,因此特征空間的高維性,有幾分相似的距離肯定有大量其他的錯(cuò)誤版本問(wèn)題,進(jìn)而它的ratio值也很高。Loweratio的閾值為0.8。但作者對(duì)大量任意存在尺度、旋轉(zhuǎn)和亮度波動(dòng)的兩幅圖片進(jìn)行匹配，結(jié)果因?yàn)閞atio取值在0.4~0.6之間最佳，大于0.4的很少很少有匹配點(diǎn)，大于00.6的則修真者的存在大量錯(cuò)誤匹配點(diǎn)。(如果不是這個(gè)地方你要改進(jìn)之處，最好是決定一個(gè)看操作率和ration之間的關(guān)系圖，這樣的話才更有說(shuō)服力)作者建議您ratio的取值原則如下:ratio0.4對(duì)此準(zhǔn)確度具體的要求高的匹配；ratio0.6對(duì)于不兼容點(diǎn)數(shù)目要求比較好多的不兼容；ratio0.5一般情況下。也可按如下原則:當(dāng)最近鄰距離

在用神經(jīng)網(wǎng)絡(luò)訓(xùn)練一個(gè)多分類的模型后，測(cè)試時(shí)如果存在一個(gè)不屬于樣本中的已知類別時(shí)，如何歸為一個(gè)新的類別？

您好，看見(jiàn)這個(gè)問(wèn)題時(shí)我也很感興趣：）

簡(jiǎn)單的方法，當(dāng)測(cè)試樣本屬于法律已知?dú)w類時(shí)，其終于的輸出向量中那里值都會(huì)偏低。我們是可以按照設(shè)置一個(gè)閾值函數(shù)對(duì)輸出向量并且閾值處理，當(dāng)輸出向量中所有的值都低于設(shè)定閾值時(shí)，則認(rèn)為又出現(xiàn)了兩個(gè)新的類別。

但這種做法并不也能沒(méi)更新模型，況且新類別都屬于少數(shù)數(shù)據(jù)，我們不能能得到相當(dāng)?shù)男骂悇e樣本進(jìn)行模型學(xué)習(xí)。我們僅還能夠?qū)⑺胁粷M足閾值條件的樣本歸為一個(gè)新的類別，對(duì)此該類別詳細(xì)是什么類別也不需要人工多判斷。

一種較好的是通過(guò)半人工專門(mén)監(jiān)督的方法，即在模型工作時(shí)，但檢測(cè)到新類型樣本時(shí)由人工對(duì)樣本參與標(biāo)記。在靠積累加上的該類型樣本之后便能實(shí)現(xiàn)方法模型的更新。

以上是我淺薄的見(jiàn)解，不喜歡請(qǐng)了解我吧～

談及AI時(shí)常聽(tīng)到的「神經(jīng)網(wǎng)絡(luò)」和「深度學(xué)習(xí)」到底是什么意思？

AI（Artificial Intelligence），全稱叫人工智能，是一種設(shè)計(jì)和實(shí)現(xiàn)計(jì)算機(jī)的多學(xué)科交叉的發(fā)展勢(shì)頭迅猛科學(xué)技術(shù)。它的意義跟我們想象中的完全不一樣，它都能夠能用人類做很多繁重的工作。

而神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)，則是利用人工智能的，未來(lái)可能用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)我們想象中的人工智能，也很有可能以深度學(xué)習(xí)的實(shí)現(xiàn)。也就是說(shuō)，人工智能是目標(biāo)，而神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)是方法。

那神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)有什么區(qū)別呢，也許你早略知一二，倆人是兩種完全不同的方法。這兩種方法既有相同點(diǎn)又有完全不同點(diǎn)。

人工神經(jīng)網(wǎng)絡(luò)是生物學(xué)里根據(jù)人的大腦里神經(jīng)元的運(yùn)轉(zhuǎn)而抽像系統(tǒng)的總結(jié)進(jìn)去的一種方法，其特點(diǎn)是實(shí)際不斷迭代、負(fù)反饋的求最佳的方法解的過(guò)程。

深度學(xué)習(xí)的概念恰好緣于神經(jīng)網(wǎng)絡(luò)，在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上其成分多個(gè)暗含層和多個(gè)感知器。深度學(xué)習(xí)像一種貪心算法，準(zhǔn)求從最多層可以找到一個(gè)事物的多種表達(dá)，例如一幅圖像，最簡(jiǎn)單就的形式是怎樣表達(dá)成像素點(diǎn)的形式。同樣，圖像也可以表達(dá)為各種輪廓的邊近似，由顏色可以形成，梯度構(gòu)成或則更高一層次的元素如：四肢、棱、柱子等組成。在這個(gè)基礎(chǔ)上對(duì)事物接受分類判別。

從廣義上講，深度學(xué)習(xí)又是神經(jīng)網(wǎng)絡(luò)的一種。民間的神經(jīng)網(wǎng)絡(luò)只有輸入層、暗含層、輸出低層。但深度學(xué)習(xí)則是在多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上另外特征學(xué)習(xí)部分，這那是我上面講的對(duì)信息的具體劃分去處理。