标签: feature-extraction

通常人们想通过使用词袋方法从文本中获取特征，计算单词并计算不同的度量，例如 tf-idf 值，如下所示： 如何在分类中包含单词作为数字特征

但是我的问题不同，我想从单个单词中提取一个特征向量。例如，我想知道土豆和炸薯条在向量空间中彼此靠近，因为它们都是由土豆制成的。我想知道牛奶和奶油也很接近，热和温暖，石头和硬等等。

这个问题叫什么？只看海量文档就可以了解单词的相似性和特征吗？

我不会用英文实现，所以我不能使用数据库。

我目前正在开发一个手语识别应用程序，我想使用隐马尔可夫模型作为分类阶段，这意味着我将对手势/姿势进行分类以获得相关的字母或单词。

我目前已经完成了检测手部的第一阶段。目前，我可以获得许多可用于机器学习阶段的参数（特征），例如：

• 手的凸包
• 凸面缺陷
• 手的质心
• 边界旋转的椭圆/矩形（例如获得旋转所需的任何角度）
• 手的轮廓
• 时刻（我不确定这些到底是什么）

这些都可以通过 openCv 来完成。

我的问题：一旦我拥有所有这些功能，我该如何执行“特征提取”阶段？即如果机器学习算法，在这种情况下 HMM 需要一组概率，我如何使用上述信息？

我的一个想法是创建一个特殊的数据结构，其中包含唯一标识每个手势的信息，但我如何将其提供给机器学习技术？（在本例中为隐马尔可夫模型）

任何人都可以指导我在这个特定阶段至少应该搜索什么，或者指导我展示我真正遇到的困难是什么？

我想基于使用SVM的HOG功能进行分类.

据我所知,HOG特征是每个单元格中所有直方图的组合(即它成为一个聚合直方图).

我在本页面中使用MATLAB代码为Dalal-Triggs变体提取HOG功能.

例如,我有大小为384 x 512的灰度图像,然后我以9个方向和8的单元格大小提取HOG特征.通过这样做,我得到48 x 64 x 36个特征.

如何将其作为直方图并将其用于SVM分类器？

因为,例如,我将有7类图像,我想要进行训练(总图像将是700用于训练),然后根据训练阶段生成的模型对新数据进行分类.

我读到对于多类,我们可以用ONE vs ALL训练我们的SVM,这意味着我必须为我的7个类训练7个分类器.

因此,对于第一列火车,我会认为第一类被标记为+1,而重新等级将为0.而第二列火车,我将认为第二类被标记为+1并且重新上课将是0.等等..

例如,我有颜色类别:红色,绿色,蓝色,黄色,白色,黑色和粉红色.

所以对于第一次训练,我只制作了2个红色而不是红色的二进制文件.

对于第二次训练,我将标签设为绿色而不是绿色..是不是就这样？

训练SVM的语法是:

          SVMStruct = svmtrain(Training,Group)

但在这种情况下,我将有7个SVMStruct ..

分类/测试的语法

          Group = svmclassify(SVMStruct,Sample)

如何在这里声明7个SVMStruct？

是对的吗？？还是有另外一个概念或合成器我必须要知道？

对于培训,我将拥有48 x 64 x 36的功能,我如何在SVM中训练这些功能？因为正如我所读到的,它们只有1xN的特征矩阵.

请帮我...

我有从目录读取的文件流，文件树的形式如下：

/repository/resources/2016-03-04/file.csv
/repository/resources/2016-03-04/file2.csv
/repository/resources/2016-03-05/file3.csv
/repository/resources/2016-03-05/file4.csv

请，我需要帮助使用 scala 提取日期文件夹的名称和表单中的 .csv 文件：

2016-03-03 file.csv
2016-03-04 file2.csv
2016-03-05 file3.csv
2016-03-05 file4.csv

我是 scikit-learn 的新手，需要一些帮助来完成我一直在做的事情。

我正在尝试使用多项式朴素贝叶斯分类对两种类型的文档（例如 A 型和 B 型）进行分类。为了获取这些文档的术语计数，我在 sklearn.feature_extraction.text 中使用 CountVectorizer 类。

问题在于，两种类型的文档需要不同的正则表达式来提取标记（CountVectorization 的 token_pattern 参数）。我似乎找不到一种方法来首先加载类型 A 的训练文档，然后加载类型 B 的训练文档。是否可以执行以下操作：

vecA = CountVectorizer(token_pattern="[a-zA-Z]+", ...)
vecA.fit(list_of_type_A_document_content)
...
vecB = CountVectorizer(token_pattern="[a-zA-Z0-9]+", ...)
vecB.fit(list_of_type_B_document_content)
...
# Somehow merge the two vectorizers results and get the final sparse matrix

我有一个图像：

我正在尝试一一提取这些迹象。我尝试过findContours()，但得到了很多内部轮廓。有什么办法可以做到这一点吗？

我需要对数据集中的所有分类列进行均值（目标）编码。为了简化这个问题，假设我的数据集中有 2 列，第一列是标签列，第二列是分类列。

例如

label | cate1   
  0   |  abc    
  1   |  abc    
  0   |  def    
  0   |  def    
  1   |  ghi

因此根据均值编码策略：https://towardsdatascience.com/why-you-should-try-mean-encoding-17057262cd0

输出应该是这样的

label | cate1    
  0   |  0.5   
  1   |  0.5    
  0   |  0.0    
  0   |  0.0    
  1   |  1.0

我尝试用 Koalas 来解决这个问题，但失败了。这是我尝试过的：

for col_name in convert_cols:


    cat_mean_dict = dict()
    # get category name <-> count dictionary
    cur_col_cate_count_ = ks_df[col_name].value_counts().to_dict()
    print(cur_col_cate_count_)

    # calculate all different categories positive result count and mean value
    start_time = time.time()
    for key …

我正在尝试学习图像特征检测技术。

我已经设法检测到水平线（不间断/连续），但是我无法检测图像中的所有虚线/断线。

这是我的测试图像，您可以看到有虚线和一些文本/框等。

到目前为止，我使用了以下代码，仅检测到一条虚线。

import cv2
import numpy as np

img=cv2.imread('test.jpg')
img=functions.image_resize(img,1000,1000) #function from a script to resize image to fit my screen
imgGray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
imgEdges=cv2.Canny(imgGray,100,250)
imgLines= cv2.HoughLinesP(imgEdges,2,np.pi/100,60, minLineLength = 10, maxLineGap = 100)
for x1,y1,x2,y2 in imgLines[0]:
    cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)

cv2.imshow('Final Image with dotted Lines detected',img) 

我的输出图像如下。正如你所看到的，我只能检测到最后一条虚线。我已经尝试过参数 rho、theta、min/max 线，但没有运气。

任何意见是极大的赞赏 ：）

ORB 在图像边缘附近找不到关键点，我不明白为什么。SIFT 和 SURF 似乎更糟糕，我预计情况恰恰相反。

如果我理解正确，那么 SIFT/SURF 在测试点周围分别使用 16x16 和 20x20 方块，因此我希望它们不会找到距离边缘 8 和 10 像素的关键点。FAST/ORB 在测试点周围使用直径为 7 的圆，因此我希望它能找到更接近边缘的关键点，也许接近 4 个像素（尽管我认为相关的算法，BRIEF，用于描述关键点使用更大的窗口）所以这会删除一些关键点）。

一个实验让我的预测变得毫无意义。在我的实验中，距边缘的最小距离随着方块的大小和间距而变化，但例子是

• SIFT .. 5 像素
• 冲浪.. 15 像素
• ORB .. 39 像素

谁能解释为什么？

我使用的代码如下。我画了一个正方形网格并应用了高斯模糊。我预计算法会锁定角落，但他们发现了正方形的中心和一些伪影。

import numpy as np
import cv2

size = 501; border = 51; step = 10
image = np.zeros( (size,size), np.uint8 )
# fill with disjoint squares
def drawsquare(img,i,j):
    restsize = step//5
    cv2.rectangle(img,(i-restsize,j-restsize),(i+restsize,j+restsize),255,-1)
for i in range(0,size,step):
    for j in range(0,size,step):
        drawsquare(image,i,j)
# blank out the …

我正在使用的库

import pixellib
from pixellib.instance import instance_segmentation
import cv2
import matplotlib.pyplot as plt

剧本：

segment_image = instance_segmentation()
segment_image.load_model('mask_rcnn_coco.h5')
segmask, output = segment_image.segmentImage("images\example2.jpeg", show_bboxes = True)
cv2.imwrite("exampleoutput.jpeg", output)
print(output.shape)

我不明白为什么它不能突出显示图像的不同部分。

这是我的输出：

我研究了其他人如何使用 Pixellib，它与他们的完美配合。

我期待的输出：