lasso回归筛选变量python,lasso回归算法

　　伏勒德

　　1.1 Vlad的基本概念

　　VLAD是vectoroflocallyaggered Descriptors的缩写，由Jegou等人在2010年提出。其核心思想是聚合，主要应用于图像检索领域。

　　1.2相关方法的优缺点

　　在深度学习时代之前，BoW、Fisher Vector、VLAD等通用算法主要用于图像检索和分类领域。

　　BoW方法的核心思想是提取关键点描述子，用聚类的方法训练码本，然后根据每幅图像中每个描述子向量在码本中每个中心向量出现的次数来表示图像。FV方法的核心思想是通过计算高斯混合模型的均值和协方差，用高斯混合模型(GMM)来表示每幅图像。这种方法的优点是精度高，缺点是计算量大。

　　1.3VLAD算法

　　VLAD算法可以看作是一种简化的FV，其主要方法是用聚类的方法训练小码本，找出每幅图像中最接近特征的码本聚类中心，然后与所有特征和聚类中心在此，其中k为聚类中心的个数，d为特征维数。比如sift就是128维。然后，将矩阵扩展为一个(Jegou等人在2012年的期刊《聚合本地图像描述符Sintocompactcodes》中证明了为什么该算法是有效的)

　　1.4 Vlad算法的发展

　　基于VLAD算法，Arandjelovic等人在《关于VLAD的一切》一文中提出了一种改进的方法。然后，结合深度卷积神经网络的相关内容，提出了NetVLAD。

　　2 VLAD算法流程

　　(1)读取图像文件路径和特征提取

　　)2)用聚类的方法训练码本。

　　3)用最近的聚类中心累加每幅图像的特征。

　　*(4)通过主成分分析降低累积VLAD的维数并将其归一化

　　*5)获得VLAD后，继续使用ADC方法，减少存储容量，提高搜索速度。

　　其中，步骤4和5是可选的。在步骤3得到残差累积向量后，通过L2归一化，可以通过zxdxb距离等计算两幅图像的相似度。实现图像检索。

　　参见简单实现(基于sift和orb特性)

　　VLAD-奥比-C

　　垂直偏移

　　相关阅读

　　设置向量noteVLADstandsoutforthe以下原因3360 (1)计算是原语)加法/减法运算)2)对比CNN来训练vlad。

　　局部集向量(VLAD)编码方法广泛用于语音人脸识别、动态场景识别和头部姿态分析。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。