标签: feature-extraction

我有一个列表列表，其中每个列表代表一个时间序列：

tsli=[[43,65,23,765,233,455,7,32,57,78,4,32],[34,32,565,87,23,86,32,56,32,57,78,32],[87,43,12,46,32,46,13,23,6,90,67,8],[1,2,3,3,4,5,6,7,8,9,0,9],[12,34,56,76,34,12,45,67,34,21,12,22]]

我想使用代码使用 tsfresh 包从该数据集中提取特征：

import tsfresh
tf=tsfresh.extract_features(tsli)

当我运行它时，我收到值错误，即：

> ValueError: You have to set the column_id which contains the ids of the different time series
But i don't know how to deal with this and how to define column id for this problem.

编辑1： 正如建议的那样，我尝试将数据集转换为数据，然后尝试：

import tsfresh
df=pd.DataFrame(tsli)
tf=tsfresh.extract_features(df)

但值错误是相同的

> ValueError: You have to set the column_id which contains the ids of the different time series

任何资源或参考都会有所帮助。

谢谢

我在C中实施统一的LBP.但我对这个概念感到困惑.我已经实施了LBP.假设我有512*512尺寸的图像.在LBP之后它将是510*510.现在如何从这个LBP图像中获得256个像素/像素.

for(i=1; i < image_src->width - 1; i++)
    {
          for(j=1; j < image_src->height - 1; j++)
          {
              const unsigned char center = image_get_pixel_value(image_src, i, j , 0);
              unsigned char code = 0;
              if(center <= image_get_pixel_value(image_src, i-1, j-1 , 0))
                code += 128;
               if(center <= image_get_pixel_value(image_src, i-1, j , 0))
                code += 64;
              if(center <= image_get_pixel_value(image_src, i-1, j+1 , 0))
                code += 32;
              if(center <= image_get_pixel_value(image_src, i, j+1 , 0))
                code += 16;
              if(center <= image_get_pixel_value(image_src, i+1, j+1 , 0))
                code …

我一直在尝试执行以下操作 - 当用户在我的网络应用程序中上传图像时,我想在其中检测到他/她的脸并从中提取脸部(从额头到下巴和脸颊到脸颊).

• 我尝试使用Haar Cascade进行OpenCV/C++人脸检测,但问题在于它给出了面部所在位置的概率,因为图像背景进入ROI内部甚至整个面部都没有进入ROI.我也想检测面部内的眼睛,并且在使用上述技术时,眼睛检测并不准确.

• 我已经阅读了一种名为Active Appearance Model(AAM)的新技术.我在这里阅读的博客表明,这正是我想要的,但我对如何实现这一点感到很遗憾.

我的疑问是 -

1. 使用AAM是人脸检测和人脸特征检测的好主意.
2. 有没有其他技术可以做同样的事情.

任何这些的任何帮助非常感谢.

谢谢 !

我正在使用两个特征描述符,HOG和LBP进行人员检测.到目前为止,我使用简单的连接组合了这两个功能.但它有时会显示由于大矢量引起的问题.这是我的代码.

%extract features from negative and positive images

[HOGpos,HOGneg] = features(pathPos, pathNeg);  


% loading and labeling each training example
HOG_featV = HOGfeature(fpos,fneg);   


% get label of training data from HOG
HOGlabel  = cell2mat(HOG_featV(2,:));

% get the feature vector value from HOG
HOGfeatureVector = HOG_featV(3,:)';

C = cell2mat(HOGfeatureVector); % each row of P correspond to a training example 




%extract features from LBP
[LBPpos,LBPneg] = LBPfeatures(pathPos, pathNeg);


% loading and labeling each training example
LBP_featV = loadingV(LBPpos, LBPneg); 


% get label of …

我的问题在某种程度上是simelar: 使用OpenCV从小图像中提取点描述符

我想从小图像(Orb,BRISK,FAST)中提取关键点,但如果图像的大小低于100x160,则我的关键点向量为空([]).

我在文档中找不到解决方案.

谢谢您的帮助.

我在Pandas中有一个数据框，其形状为（136，1445）。我尝试为我的136行创建correlation（Pearson）矩阵。因此，结果是，我需要一个尺寸为136x136的矩阵。

我尝试了两种不同的方法，但是无法从中获得结果，或者当我创建136x136相关矩阵时，我丢失了数据框的列名。

第一，

gene_expression = pd.read_csv('padel_all_drug_results_original.csv',dtype='unicode')
gene_expression = gene_expression.convert_objects(convert_numeric=True)
gene_expression.corr()

这给出了基于列的皮尔逊相关矩阵（1445 * 1445），当我尝试转置我的数据框然后尝试找到相关时，数据框的结构被破坏（例如列名丢失或我什至不确定该相关性是正确的）。

其次，

distance = lambda column1, column2: pearsonr(column1,column2)[0]
result = gene_expression.apply(lambda col1: gene_expression.apply(lambda col2: distance(col1, col2)))

我应该如何计算136x136皮尔逊相关矩阵，以不更改原始数据帧？

另外，我有1445个功能，有些列几乎全为零。因此，我删除了这些列，因为它们是嘈杂的列，但是您有另一个想法来实现重用吗？

提前致谢

我试图使用OpenSMILE从音频样本中提取一些功能,但我意识到设置配置文件有多困难.

文档不是很有帮助.我能做的最好的事情是运行一些提供的示例配置文件,看看是什么,然后进入配置文件并尝试确定功能的指定位置.这是我做的:

我使用了INTERSPEECH 2010 Paralinguistic Challenge(IS10_paraling.conf)中使用的默认功能集.

我把它放在一个示例的audiofile上.

我看了看出来了.然后我深入阅读配置文件,试图找出指定功能的位置.

这是一个小的降价表,显示了我的探索结果:

| Feature generated | instruction in the conf file                            |
|-------------------|---------------------------------------------------------|
| pcm_loudness      | I see: 'loudness=1'                                     |
| mfcc              | I see a section: [mfcc:cMfcc]                           |
| lspFreq           | no matches for the text 'lspFreq' anywhere              |
| F0finEnv          | I seeF0finalEnv = 1 under [pitchSmooth:cPitchSmoother]  |

我所看到的是4个不同的功能,全部由配置文件中的不同指令生成.好吧,对于其中一个,我找不到配置文件中没有令人费解的指令.没有模式或直观的语法或明显的系统,我不知道如何最终弄清楚如何指定我想要生成的自己的功能.

没有教程,没有YouTube视频,没有StackOverflow问题,也没有关于如何做到这一点的博客文章.这真是令人惊讶,因为这显然是使用OpenSMILE的一个重要部分.

如果有人发现这个,请你告诉我如何创建OpenSMILE的自定义配置文件？谢谢!

尝试读取大量功能文件时遇到内存问题（请参阅下文）。我想我会分割训练文件并按顺序阅读。最好的方法是什么？

x_train = np.load(path_features + 'x_train.npy)
y_train = np.load(path_features + 'y_train.npy)
x_test = np.load(path_features + 'x_test.npy)
y_test = np.load(path_features + 'y_test.npy)

path_models = '../pipelines/' + pipeline + '/models/'

# global params
verbose_level = 1
inp_shape = x_train.shape[1:]

# models
if model_type == 'standard_4':
    print('Starting to train ' + feature_type + '_' + model_type + '.')
    num_classes = 1
    dropout_prob = 0.5
    activation_function = 'relu'
    loss_function = 'binary_crossentropy'
    batch_size = 32
    epoch_count = 100
    opt = SGD(lr=0.001)

    model = Sequential() …

我正在做二进制分类问题,我的模型架构如下

def CNN_model(height, width, depth):
    input_shape = (height, width, depth)

    model = Sequential()
    # Block 1
    model.add(Conv2D(64, kernel_size=(3, 3), strides=1, activation='relu', input_shape=input_shape, padding='VALID'))
    model.add(Conv2D(64, kernel_size=(3, 3), strides=1, activation='relu', padding='VALID'))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    # Block 2
    model.add(Conv2D(128, kernel_size=(3, 3), strides=1, activation='relu', padding='VALID'))
    model.add(Conv2D(128, kernel_size=(3, 3), strides=1, activation='relu', padding='VALID'))
    model.add(AveragePooling2D(pool_size=(19, 19)))

    # set of FC => RELU layers
    model.add(Flatten())
    model.add(Dense(128))
    model.add(Activation('relu'))
    model.add(BatchNormalization())
    model.add(Dense(num_classes, activation='softmax'))
    model.compile(loss=keras.losses.binary_crossentropy,
                  optimizer=keras.optimizers.Adadelta(),
                  metrics=['accuracy'])
    return model

我需要测试集上的每个图像,我得到一个从FC层收集的128-D特征向量用于SVM分类.更多细节,来自model.add(Dense(128)).你能告诉我如何解决这个问题吗？谢谢!

我正在处理包含类型为特征的电影数据集。数据集中的示例可能同时属于多个流派。因此，它们包含一个类型标签列表。

数据看起来像这样-

    movieId                                         genres
0        1  [Adventure, Animation, Children, Comedy, Fantasy]
1        2                     [Adventure, Children, Fantasy]
2        3                                  [Comedy, Romance]
3        4                           [Comedy, Drama, Romance]
4        5                                           [Comedy]

我想向量化此功能。我已经尝试过LabelEncoder和OneHotEncoder，但是它们似乎无法直接处理这些列表。

我可以手动将其向量化，但是我还有其他相似的功能，其中包含太多的类别。对于那些我更喜欢直接使用FeatureHasher类的方法。

有什么方法可以使这些编码器类在这种功能上工作？还是有更好的方法来表示这样的功能，从而使编码更容易？我很欢迎任何建议。