分類與檢索

以下純屬個人見解，如有理解錯誤，請批評指正

分類和檢索的區別

我感覺影象分類和影象檢索都可以分為兩部分：影象分類分為特徵學習+分類器學習，影象

檢索分為特徵學習+度量學習。最初的影象分類可能是自己設計認為對區分類別有幫助的

特徵，然後用分類器去分類，通過調整分類器的引數對影象進行分類。後來，也可以學習特

徵，也就是根據分類器的效能學習好的特徵表示，同時也可實現對影象更好的分類。而影象

檢索也可以自主設計特徵，然後通過不同的相似性度量，檢索出跟查詢影象最相似的影象。

或者學習特徵，也就是根據檢索的結果對特徵進行調整，以得到更好的特徵表示以及檢索性

能。拿有監督的影象分類來說（lda、svm、ann、貝葉斯和決策樹），訓練集上的資料是已

經知道類別了，計算機需要學習出乙個分類模型（包括特徵和分類演算法），然後測試集只負

責驗證分類模型的分類效能。而對於檢索任務來說，是要拿乙個例項，去已知的庫裡邊找到

相似的影象。庫裡邊的資料可以沒有標記，而計算機只需要通過相似性度量，找出和查詢圖

像相似的就可以。或者通過學習的方法，給定資料庫中資料的類別，然後從資料庫中取出一

個影象作為查詢影象，然後學習乙個檢索模型（包括特徵和距離度量），然後再用不知道類

別的查詢影象去測試檢索模型的效能。

所以，影象分類是學習乙個分類模型（包括特徵和分類演算法），而影象檢索是學習乙個檢索

模型（包括特徵和相似性度量）。

那可不可以基於分類結果去檢索呢？就是說先訓練乙個好的分類模型，然後對新來的查詢圖

像進行分類，分為哪一類，就把那一類的影象作為檢索出來的影象。

個人覺得分為兩種情況。

第一種，分類好之後，檢索時，只在屬於的子類上檢索。這肯定是好的。

第二種，分類好之後，檢索時，還是在全集上做檢索，這是不好的。因為比如對於svm分

類器來說，分類結果不錯。那麼對於支援向量來說，和它屬於同一類的影象未必是和它離的

最近的，有可能和它距離上最近的是另外乙個類的支援向量。所以，這種情況下，對於不是

以距離度量為分類指導條件的分類器，不能用於影象檢索。

那麼反過來呢？對於乙個影象來說，和它距離最近的影象可不可以和它作為同一類呢？

個人覺得這是可以的。因為這相當於訓練了乙個基於距離度量的分類器。

度量學習 分類與檢索

以下純屬個人觀點，如有錯誤，請批評指正 最近用到距離度量學習了，於是乎思考了一下。距離度量學習，最終學出的是m。監督的距離度量學習，最終根據類別標記，學習出乙個好的m，來度量同一類樣本之間的相似性。這是乙個類與相似性之間的直接對應關係。因為對於分類器來說，有的是以距離作為分類標準的，距離近的就認為屬...

美國專利分類體系 USPC 檢索

美國專利分類體系 以下簡稱 uspc 依據技術主題將所有從屬於該技術主題的美國專利文獻及其他技術文獻編排整理，形成一定數量範圍的文獻集合。uspc 中有大類和小類，各大類描述不同的技術主題，而小類描述大類所含技術主題的工藝過程 結構特徵 功能特徵。大類 小類 的組合成為完整的分類號，例如識別符號 2...

hibernate之檢索策略與檢索方式

color red 檢索策略 color 包括 立即檢索 延遲檢索 迫切左外連線 類級別的可以用立即檢索和延遲檢索 關聯級別可用以上三種。延遲檢索的原理是動態生成要檢索的類的 類的例項，這個 類繼承了要檢索的類，有相關的類資訊等，並且之初始化它的oid屬性 即查詢條件 其他屬性皆為null，這樣占用...