在很多任務作中，融合不同尺度的特徵是提高分割效能的乙個重要手段。低層特徵解析度更高，包含更多位置、細節資訊，但是由於經過的卷積更少，其語義性更低，雜訊更多。高層特徵具有更強的語義資訊，但是解析度很低，對細節的感知能力較差。如何將兩者高效融合，取其長處，棄之糟泊，是改善分割模型的關鍵。
很多任務作通過融合多層來提公升檢測和分割的效能，按照融合與**的先後順序，分類為早融合(early fusion)和晚融合(late fusion)。
（1）concat：系列特徵融合，直接將兩個特徵進行連線。兩個輸入特徵x和y的維數若為p和q，輸出特徵z的維數為p+q；（2）add：並行策略[36]，將這兩個特徵向量組合成復向量，對於輸入特徵x和y，z = x + iy，其中i是虛數單位。
特徵提取 特徵後期融合 多核學習方法（MKL）
svm 支援向量機，目前在分類中得到廣泛的應用 核函式 svm遇到線性不可分問題時，可以通過核函式將向量對映到高維空間，在高維空間線性可分 多核學習 在利用svm進行訓練時，會涉及核函式的選擇問題，譬如線性核，rbf核等等，多核即為融合幾種不同的核來訓練。該方法屬於後期融合的一種，通過對不同的特徵採...
GBDT LR特徵融合的例子
import pandas as pd from sklearn.linear model import logisticregression from sklearn.ensemble import gradientboostingclassifier from sklearn.preproces...
背景建模 顏色特徵和紋理特徵融合
顏色特徵是利用ycbcr顏色空間，可以減少陰影對檢測結果的影響 顏色特徵的相似度計算 紋理特徵影象梯度值，可以利用sobel運算元計算得到 紋理特徵的相似度計算 choquet積分融合顏色特徵和紋理特徵 待學習了choque積分相關知識後，再新增 該方法的優點 文獻中提到可以減少光線突變和陰影對檢測...