hand crafted 特徵：通過設計特徵本身，仿照人類視覺的特點對什麼樣的特徵敏感，什麼樣的特徵不敏感提取影象中有區分能力的特徵，因此提取出來的特徵每一維往往都有具體的物理含義。這類特徵提取包括sift、surf、daisy等都是通過方向梯度度紋理特點的反應。這些特徵提取方案對某類或某幾類特徵的反應是優秀的。
端對端的區域性特徵網路：直接從輸入到輸出，中間不需要設計任何過程或者演算法。
siamese network：孿生神經網路，它的siamese是通過共享權值實現的，甚至通過乙個網路分支來實現，其主要功能是衡量兩個輸入的相似程度。比如要計算兩個句子或者詞彙的語義相似度時，使用siamese network。當有多個相似輸入時，也可以設計多分支神經網路來實現。
pseudo-siamese network：偽孿生神經網路，他和孿生神經網路的區別是，當輸入不太一樣時可以使用它，其分支可以使用不同的神經網路來實現。如果要驗證標題與正文的描述是否一致（標題和正文長度差別很大），或者文字是否描述了一幅（乙個是，乙個是文字）時，可以使用pseudo-siamese network。
scal-space：尺度空間方法將傳統的單尺度視覺資訊處理技術納入尺度不斷變化的動態分析框架中，因此更容易獲得影象的本質特徵。尺度空間的生成目的是模擬影象資料多尺度特徵。高斯卷積核是實現尺度變換的唯一線性核。
loss function（損失函式）：在機器學習中所有的演算法都需要最大化或最小化乙個函式，這個函式被稱為「目標函式」。其中，我們一般把最小化的一類函式，稱為「損失函式」。它能根據**結果，衡量出模型**能力的好壞。
模式識別相關問題
二 問答題 所謂模式識別的問題就是用計算的方法根據樣本的特徵將樣本劃分到一定的類別中去。模式識別就是通過計算機用數學技術方法來研究模式的自動處理和判讀，把環境與客體統稱為 模式 隨著計算機技術的發展，人類有可能研究複雜的資訊處理過程，其過程的乙個重要形式是生命體對環境及客體的識別。模式識別以影象處理...
模式識別與機器學習（2）
參考部落格 隨機梯度下降 clear all x load ex2data ex2x.dat y load ex2data ex2y.dat x 1.15 1.9 3.06 4.66 6.84 7.95 10,14,16 x power x,0.5 y power x,0.5 m length y ...
模式識別與機器學習（4）
講了推理，以及主要收穫為，原來是對損失函式求導。不過公式不是很對，因為 clear x load ex4data ex4x.dat y load ex4data ex4y.dat m,n size x x ones m,1 x figure pos find y neg find y 0 plot ...