关于一次深度学习笔试的英文名词简介

标签：大于   比较   nbsp   tran   ESS   空间   div   输入   通过   

ENSEMBLE： ensemble methods（组合方法）机器学习里面指几种算法的组合在一起的方法。也叫融合学习，集合方法等。

WORD2VEL：word embeddings“词向量”，将自然语言中的字词转为计算机可以理解的稠密向量（Dense Vector）。

RESCALING:再缩放，样本正负数量不平均时采用的策略，不再根据输出的是否大于0.5为分类，改用其他值，就是对结果的缩放。

WHITENING: 白化，降低输入信息的冗余。PCA白化，ZCA白化等。

FLIGGING:翻转，图像翻转，一般是丰富数据的手段。

ROTATION:旋转，同上。

SIFT:Scale-invariant feature transform，尺度不变特征变换，

1. 尺度空间的极值检测 搜索所有尺度空间上的图像，通过高斯微分函数来识别潜在的对尺度和选择不变的兴趣点。
2. 特征点定位 在每个候选的位置上，通过一个拟合精细模型来确定位置尺度，关键点的选取依据他们的稳定程度。
3. 特征方向赋值 基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向，后续的所有操作都是对于关键点的方向、尺度和位置进行变换，从而提供这些特征的不变性。
4. 特征点描述 在每个特征点周围的邻域内，在选定的尺度上测量图像的局部梯度，这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变换。

HOG:方向梯度直方图，HOG和SIFT都属于描述子，以及由于在具体操作上有很多相似的步骤，所以致使很多人误认为HOG是SIFT的一种，其实两者在使用目的和具体处理细节上是有很大的区别的。HOG与SIFT的主要区别如下：

HAAR:Haar特征的提取就是通过不断改变模版的大小、位置和类型，白色矩形区域像素和‘减去’黑色矩形区域像素和，以得到每种类型模版的大量子特征。大多用于人脸识别。

EM算法:求解样本概率模型的分布及参数。

KNN:K临近算法，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，其中K通常是不大于20的整数。

LOGISTIC REGRESSION性能估计：是一个线性模型用于做分类的，它直接对Y属于某个类别的概率进行建模。 

DENSENET: (网络结构的一种)每一层的输入是前面所有层输出的集合。

关于一次深度学习笔试的英文名词简介

标签：大于   比较   nbsp   tran   ESS   空间   div   输入   通过   

原文地址：https://www.cnblogs.com/tdyzhq/p/9683116.html