搜索资源列表
PG_BOW_DEMO
- 图像的特征用到了Dense Sift，通过Bag of Words词袋模型进行描述，当然一般来说是用训练集的来构建词典，因为我们还没有测试集呢。虽然测试集是你拿来测试的，但是实际应用中谁知道测试的图片是啥，所以构建BoW词典我这里也只用训练集。 其实BoW的思想很简单，虽然很多人也问过我，但是只要理解了如何构建词典以及如何将图像映射到词典维上去就行了，面试中也经常问到我这个问题，不知道你们都怎么用生动形象的语言来描述这个问题？ 用BoW描述完图像之后，指的是将训练集以及测试集
bag_words_demo
- 一个学习自然场景类别的贝叶斯模型、基于“词袋”模型的目标分类。来源于Feifei Li的论文。是近年来的目标识别模型热点之一。-”A Bayesian Hierarchical Model for Learning Natural Scene Categories“ FeiFei Li.CVPR2005
caltech-image-search-1.0
- 大规模图像检索的代码，matlab与c++混合编程。总结了目前图像检索领域目前主要存在的方法。通过阅读该代码，可以对于经典的“词袋”模型（bow模型）有个具体的了解，但是该代码没有提供前序的特征提取，是直接从对提取好的特征向量聚类开始的，包括了k-means，分层k-means（HKM）聚类，倒排文件的建立和索引等，该代码还提供了局部敏感哈希（LSH）方法。最后，这份代码是下面这篇论文的作者提供的， Indexing in Large Scale Image Collections: Sc
clustering
- 一种基于期望最大化( E M) 算法的局部图像特征的语义提取方法。首先提取图像的局部图像特 征， 统计特征在视觉词汇本中的出现频率， 将图像表示成词袋模型； 引入文本分析中的潜在语义分析技术建立从低层图像 特征到高层图像语义之间的映射模型； 然后利用 E M 算法拟合概率模型， 得到图像局部特征的潜在语义概率分布； 最后利 用该模型提取出的图像在潜在语义上的分布来进行图像分析和理解。-Latent Semantic probability distribution using the EM
BOV
- 文章主要介绍了视觉词袋模型并进行了改进，适合初学者学习-This article mainly introduces the visual word model and improved bags, suitable for beginners to learn
Bag-of-visual-words
- SIFT等局部特征的词袋模型实现。包括K-means聚类，直方图特征的形成，以及KNN分类。-SIFT local features such as word bag model implementation. Including K-means clustering to form histogram features, and KNN classification.
lda-c
- LDA是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。文档到主题服从Dirichlet分布，主题到词服从多项式分布。 LDA是一种非监督机器学习技术，可以用来识别大规模文档集（document collection）或语料库（corpus）中潜藏的主题信息。它采用了词袋（bag of words）的方法，这种方法将每一篇文档视为一个词频向量，从而将文本信息转化为了易于建模的数字信息。但是词袋方法没有考虑词与词之间的顺序，这简化了问题的复杂性，同时也为
hog
- 利用的图像处理中的梯度直方图，再加上词袋模型的知识，编得还可以-Gradient histogram of image processing, plus knowledge bag of words model series was also
bag-of-words
- 图像特征点提取词袋模型,添加LBP特征的选择，融合两种特征进行图像的特征提取-bag of words in images
similarityOfDocuments
- 利用词袋模型计算新闻的相关性,按照相似度由高到低返回新闻id-compute similarity of articals using bag of words model
image_processing3
- 图像工程作业3：基于视词袋模型的场景识别 (Scene recognition with bag of words)-Image Engineering Job 3: Scene Recognition Based visual bag of words (Scene recognition with bag of words)
DBoW2-master
- 这是词袋模型2的测试程序，从外国的一个网站找到的，用于测试surf生成词袋文件-This is a bag of words model test procedure 2, a foreign website to find for testing surf generated word document bags
caffe-master
- 种基于期望最大化( E M) 算法的局部图像特征的语义提取方法。首先提取图像的局部图像特 征， 统计特征在视觉词汇本中的出现频率， 将图像表示成词袋模型； 引入文本分析中的潜在语义分析技术建立从低层图像 特征到高层图像语义之间的映射模型； 然后利用 E M 算法拟合概率模型， 得到图像局部特征的潜在语义概率分布； 最后利 用该模型提取出的图像在潜在语义上的分布来进行图像分析和理解。-Semantic extraction of local image features based on expe
BOW_DEMO
- 2006年CVPR词袋模型文章的demo(code of 2006 CVPR IEEE word of bag demo)
homework3
- 将二位数据投影到一维线性， LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。所谓生成模型，就是说，我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布，主题到词服从多项式分布。 [1] LDA是一种非监督机器学习技术，可以用来识别大规模文档集（document collection）或语料库（corpus）
词袋模型最终版测试
- 利用词袋模型，实现对Merchdata数据库内图像的标注功能。使用了bagoffeatures库函数。(The bag-of-words model is used to implement the annotation of images in the Merchdata database. Use the bagoffeatures library function.)