不多說，直接上乾貨！
pca-sift演算法
在描述子構建上作了創新，主要是 將統計學中的主成分分析(pca)應用於對描述子向量的降維，以提高匹配效率 。
pca 的原理是：一般有效訊號的方差大，雜訊的方差小；通過pca可以降維濾除雜訊，保留訊號。
1、演算法分析
pca-sift與標準sift有相同的亞畫素位置（sub-pixel），尺度（scale）和主方向（dominant orientations），但在第4步計算描述子的時候，它用特徵點周圍的41×41的像斑計算它的主元，並用pca-sift將原來的2×39×39維的向量降成20維，以達到更精確的表示方式。
演算法步驟如下：
(1)構建描述子的區域選定為以特徵點為中心的41x41矩形（已與特徵點主方向對齊）；
(2)計算39x9矩形內每個畫素對水平、垂直兩個方向的偏導數（最外層畫素不計算偏導數）。得到乙個39x39x2=3042維的向量，對其歸一化;
(3)假設有n個特徵點，那麼所有特徵點描述子向量構成乙個nx3042的矩陣。對這n個向量計算nxn協方差矩陣;
(4)計算協方差矩陣的前k個最大特徵值所對應的特徵向量，這k個向量組成乙個3042xk的投影矩陣;
(5)將nx3042的描述子矩陣與3042xk的投影矩陣相乘，得到nxk的矩陣，即降維描述子向量組成的矩陣。此時n個特徵點的描述子向量均為k維。文中作者經過實驗，取k=36。
演算法步驟還有另一種描述，見這裡。
該演算法的創新之處 在於降低描述子維度的同時濾除了部分描述子向量中的干擾資訊，有較好的魯棒性 。同時該演算法為後人研究描述子開啟了乙個方向，例如gloh演算法在描述特徵點時也是用pca將16*17維的向量降為40維,但gloh演算法構建描述子的方法不同，它是基於對數極座標來構建的。
2、比較
(1)結果比較：pca-sift所得的描述子在旋轉、尺度變換，透視變換，新增雜訊匹配的情形下，匹配均大幅領先於sift；在亮度變換時，與傳統sift不相上下。在匹配時所得的正確點對也多於傳統sift。可見pca-sift生成的描述子質量很高。sift和pca-sift的比較 。在執行時間方面，pca-sift在特徵點提取、描述子計算中略快於sift；但在後續的描述子匹配過程中，pca-sift的速度大大超過sift的速度。
(2)優缺點比較：
△ sift：
維數：128
缺點：維數高、不完全的仿射不變
優點：需要較少的經驗主義知識，易於開發
△ pca-sift：
維數：可變，推薦20或者更少
缺點：不完全的仿射不變；投影矩陣需要一系列有代表性的影象；這個矩陣只對這類影象起作用
優點：保留不變性的同時低維，大大減少了計算時間。
《機器學習》總複習（上）
1.1從兩個問題談起 1.相關概念 1 機器學習 是人工智慧的另一部分，也是核心技術。其利用經驗 建立統計模型 概率模型，去解決問題。是對某個實際問題建立計算模型，並利用已知的經驗來提公升模型效果的一類方法。2 模式識別 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。2.相關流程 1 乙個標...
機器學習筆記之 遷移學習
關於遷移學習不錯的博文，值得學習 1.2.a survey on transfer learning，sinno jialinpan,qiang yang，ieee trans 個人關於遷移學習的粗淺理解 在機器學習領域，我們的任務是對乙個模型給定充足的資料，對機器學習模型進行訓練 微調和優化，得到...
機器學習筆記之緒論
1.1引言 機器學習所研究的主要內容，是關於在計算機上從資料中產生 模型 model 的演算法，即 學習演算法 learning algorithm 1.2基本術語 資料集 data set 其中每條記錄是關於乙個事件或物件的描述，稱為乙個 示例 instance 或 樣本 sample 特徵向量 ...