飞桨 第一课 传统图像识别是怎么做的+Aistudio python数据可视化2020.3.31;2020.4.2补

课程
新冠可视化

作为计算机看到的是二维矩阵 希望分类，聚类或挑出来

人看到一个图像是根据高层的认知与特征，而计算机却只能根据底层的特征：不一致，有冲突
有相似的特性，但语义不同

也有不同的语义相同得概念

空间的变换，目标，让相同目标特征相似，不同特征差距大

classic

主要提取全局特征

图像特征有很多角度：

可能不全面，所以连接起来，形成更高维向量

经常做特征变换，使相似的物体距离尽可能近（一个高维特征到另一个高维特征）

优化计算速度，防止计算代价过大
局部敏感哈希

有一个学习过程的哈希，快速计算相似度

另一个应用，基于人的点击，进行调整（比如不知道苹果手机还是苹果，所以看用户点击了那些连接，进行调整）

让更喜欢的排在前面

早期只能用一个全局信息，信息过大，忽略了一些细节信息，导致判断错误

用一个高维向量表示这个文档，出现几次改单词的向量位置就标几
有大量的文章，这样就很简化，
现在以词的信息进行组织

扩展思维，能不能视觉词袋模型，2000年才突破

局部特征，离线数据库，中每一个图像都采用一个局部特征描述词，提取出特征向量，
提取很多局部特征描述词后，生成一个视觉词典，就可以把一个图像的所有视觉特征描述词，变成一个很长的（出现为出现次，不出现为0的）词袋/向量，再进行一个倒排索引，就处理好离线部分了
在线部分，就提取同样的特征，投影到词袋上，再比较哪些比较相关

中期：局部特征，找图片那些地方比较有表征力，并用特征词去描述它

可以进行匹配

再基础上搞点花活，通过不同的视觉关键词进行投票


文字：出现次数一次就是一次，n次就是n次
视觉：有只是有，级别相近，但不完全相等，----->空间关系比较近------->空间关系验证