1基础
1. 特征提取
一、CV中的特征提取
1. 传统方法（手工设计特征）
(1) 低级视觉特征：颜色、纹理、 边缘与形状…
(2) 中级语义特征：SIFT（尺度不变特征变换）、SURF（加速鲁棒特征）、LBP（局部二值模式）…
2. 深度学习方法（自动学习特征）
(1) 卷积神经网络（CNN）
- 核心思想：将图像分割为小块（patches），通过自注意力机制建模全局关系。
- 优势：无需局部卷积先验，直接建模长距离依赖; 在ImageNet等任务上超越传统CNN。
二、NLP中的特征提取
1. 传统方法（基于统计与规则）
(1) 词袋模型（Bag of Words, BoW）: 将文本表示为词汇表中单词的出现频率。
(2) TF-IDF（词频-逆文档频率）: 衡量单词在文档中的重要性（TF-IDF值 = 词频 × 逆文档频率）。
(3) N-gram模型: 统计连续N个词的组合频率（如Bi-gram、Tri-gram）。
(4) 词嵌入（预训练词向量）
- Word2Vec（2013）：
- 通过Skip-Gram或CBOW模型，将词映射为低维稠密向量。
- 相似词在向量空间中距离相近（如“国王-王后≈男人-女人”）。
- GloVe（2014）：
(5) 局限性：无法建模长距离上下文依赖; 词向量静态，无法处理一词多义。