深度学习笔记：Stacked Fisher Vector（SFishV）算法的基本原理
发布时间
阅读量：
阅读量
Stacked Fisher Vector源自Xiaojiang Peng在其论文《Action Recognition with Stacked Fisher Vectors》中所构建的技术框架，在动作识别领域具有重要意义。该方法将Fisher向量与深度学习相结合，在当时的state-of-the-art研究中取得了显著的效果
在之前的报道中阐述了Fisher Vectors的核心概念。FV的具体实现包括两个关键步骤：首先基于K均值算法生成的类内特征向量作为码书中的单词；其次通过在线学习方法计算每个训练样本对应的类内协方差矩阵，并将这些统计信息整合到编码过程中以生成最终的 Fisher 向量表示。
1.选择GMM中K的大小
通过训练图像集合中的全部特征（包括其可能的部分）计算GMM的参数（其中一种常用的方法是Expectation-Maximization算法），从而获得所需的所有参数
2.取待编码的一张图像，求得其特征集合；
3.用GMM的先验参数以及这张图像的特征集合求得其fishervector；
在经过对训练集中所有图片实施2、3两个步骤处理后能够生成fishervector的数据集；接着可以利用支持向量机或其他分类器来进行模型训练。
采用iDT描述子为例，在iDT特征生成过程中
全部评论 (0)
还没有任何评论哟~