词袋模型

摘要： 针对单一特征在减振垫缺陷描述上不够准确导致检测效果不佳的问题,提出了一种基于特征融合的减振垫缺陷分类方法。首先,通过词袋(BoW)模型聚类SURF提取到的纹理特征,构建视觉单词直方图;其次,针对缺陷在复杂纹理中难以提取缺陷轮廓,利用超像素分割后生成显著图后通过Hu不变矩提取几何特征;接着,根据纹理特征和几何特征在其分类模型中的准确率,提出一种特征加权融合的方法;最后,将融合新生成的特征向量送入SVM训练器中,训练后得到预测的缺陷标签值。实验证明该方法可以准确识别减振垫缺陷,其平均准确率可达97.8%,与纹理和几何特征单独分类相比,提高了5.6%和8.9%的分类准确率,满足工业识别需求。

摘要： 针对ORB-SLAM3算法构建稀疏点云地图信息量少、单机器人构图效率低的问题,该文提出一种基于ORB-SLAM3的多机器人地图构建算法,通过两层滤波算法减少冗余地图点数量,提高单机器人稠密点云地图构建效率;利用词袋模型匹配地图二维图像间接配准三维点云地图,提高地图配准速度与精度。该文算法在TUM数据集和自拍数据下进行测试,测试结果表明该文算法较传统构图算法速度提高71%、内存消耗减少89%,配准速度与精度较NDT+ICP点云配准算法分别提高68%和16%,在多机器人地图构建方面具有良好的效率、精度、鲁棒性和可拓展性。

摘要： 基于视觉的SLAM中,RGB-D SLAM技术是以RGB-D摄像机为传感器的一种具有代表性的SLAM技术。RGB回环检测是消除漂移量的重要手段,也是特征提取和优化的关键环节。经典回环检测过程中,特征匹配需要每帧图像与之前的每一帧进行匹配,耗时长、效率低,由此提出一种基于词袋模型的改进检测方法,可以有效加快特征匹配,提高回环检测的效率。首先,在经典RGB-D SLAM技术中的ORB特征提取基础上,根据文章中的算法计算出根节点、设置权重,并计算其他数据;根据得到的节点数据生成词典和K叉树,使用TF-IDF算法计算节点权重。用节点权重和节点距离组合得到词袋模型,通过对两帧图像词袋模型中的节点计算相似度,从而减少累积误差,达到减少计算量和回环检测的目的,以提高SLAM建图效率,较好地解决定位与地图构建问题。

摘要： 针对同时定位与地图构建(SLAM)的闭环检测方法在多歧义复杂场景下易发生感知偏差的问题,基于闭环概率模型提出了一种结合局部SURF特征和全局ORB特征的闭环检测方法。首先,分别采用鲁棒SURF特征和全局ORB特征对图像进行局部和全局的场景描述;其次,构建多特征场景描述的离散贝叶斯闭环概率模型,对多特征空间分别构建观测似然概率,其中,局部特征空间基于词袋模型的方法计算观测似然概率,全局特征空间基于KNN最近邻的方法计算观测似然概率;最后,考虑图像的时间一致性,基于极线约束设计多步闭环候选帧提取方法,进一步减少感知偏差问题。实验结果表明,在多歧义场景下所提方法可以消除绝大部分的误正匹配情况,对比FAB-MAP2.0和BoW方法具有更好的闭环检测效果,可以达到更高的闭环准确率。

摘要： 从居民类警情处置特点出发,根据业务需求将繁杂无序的火场文书数据按照出车、现场侦察、进攻疏散、收残四个不同阶段的提示内容进行归类。在梳理成业务逻辑图的基础上,着重研究人工智能如何与消防居民类警情辅助决策结合,提出将CNN(卷积神经网络)词袋模型应用到消防业务逻辑流程上,并利用历史警情加以验证。实验证明基于卷积神经网络的消防智能决策系统从精度上可以满足实战的需求。

摘要： 传统的闭环检测方法大多采用人工设计的特征,很容易受到环境的影响.卷积神经网络通过提取层次化特征,更好地应对了光照变化,但忽略了图像的局部空间特性.针对该问题,提出一种融合VGG16与VGG-NetVLAD的闭环检测算法.该网络保留了VGG16的部分结构,并在最后一层引入了基于局部聚合描述符向量(VLAD)思想的池化层NetVLAD,使提取的特征更适用于闭环检测.实验表明,相较于传统的视觉词袋模型及其他几种深度学习方法,该算法具有更强的泛化性,可以在闭环检测中达到更高的准确率并满足实时性的要求.

摘要： 在工件装配过程中,针对基于SURF算法的工件匹配识别过程速度慢、实时性较差的问题,通过对K-Means聚类算法以及机器学习中文本检索方法进行研究,推导了基于聚类算法的特征点种类词袋模型,对特征点类别进行统计.提出反向标记法生成目标物体描述向量.在物体匹配识别阶段,对待检测物体的描述向量分段进行匹配并选取满足阈值条件的子向量作为最终匹配向量来实现目标物体的识别.实验结果表明改进算法在一定尺度、光照、旋转条件影响下实现了工件的准确识别,并且提高了识别速度.

摘要： 针对室内环境中视觉同时定位与建图(simultaneous localization and mapping,SLAM)精度不高和实用性较差等问题,采用深度相机作为传感器,提出一种基于改进词袋模型的视觉SLAM算法.该算法通过增加节点距离的方式,对传统的词袋模型进行改进,采用octree方法转化点云,生成可用于导航的八叉树图,并进行改进前后词袋模型对比实验、数据集精度实验和实验室实测.结果表明,改进后的词袋模型相似度计算能力和区分度更强,SLAM算法在环境有回环和相机运动较慢的情况下,效果较好,可满足室内同时定位与建图及后续导航需求.

摘要： 针对空间金字塔词袋模型中空间特征分布信息利用效率低,各类特征融合不充分的问题,该文提出空间金字塔与局部感受野相结合的相关熵极限学习机(SR-CELM).在特征提取部分,利用多尺度局部感受野对生成的多层级的字典特征分布图进行卷积,并引入局部位置特征和全局轮廓特征.在特征分类部分,提出一种新的网络以融合各部分特征.同时在传统极限学习机训练方法的基础上利用相关熵准则构建判别性约束,推导出权重更新公式以求解网络的输出权重.为验证SR-CELM的有效性,该文分别在数据库Caltech 101,MSRC和15 Scene上进行实验.实验表明SR-CELM能够充分利用特征中可辨识信息,提高分类正确率.

摘要： 基于现有文档相似性比较方法进行改进,该方法由前人提出,但在实际应用中暴露出问题.所提出的改进是对现有方法过程进行部分改进,如对输入的文档进行预处理、改进文档向量以及标注关键字词性.经过最终实验验证,改进方法提高文档相似性比较结果的准确度和效率.

摘要： 传统的计算机辅助检测系统根据影像的低层特征进行分类,容易造成病灶的漏检及误检.本文提出了基于词袋模型的隐含语义特征计算机辅助检测研究算法.首先去除器官背景块,通过对训练样本的分块聚类得到能够表达器官影像隐含语义的词袋模型及视觉词汇表,最终以视觉词汇作为图像的特征进行分类器训练.实验结果表明,该方法可以有效地提高乳腺图像计算机辅助检测(Computer-aided Detection,CAD)的分类准确率,同时降低分类的假阳率.大多情况下准确率可以提高12个百分点,假阳率最低可以达到0％.

摘要： 作文跑题检测任务的核心问题是文本相似度计算.传统的文本相似度计算方法一般基于向量空间模型,即把文本表示成高维向量,再计算文本之间的相似度.这种方法只考虑文本中出现的词项(词袋模型),而没有利用词项的语义信息.本文提出一种新的文本相似度计算方法:基于词扩展的文本相似度计算方法,将词袋模型(Bag-of-Words)方法与词的分布式表示相结合,在词的分布式表示向量空间中寻找与文本出现的词项语义上相似的词加入到文本表示中,实现文本中单词的扩展.然后对扩展后的文本计算相似度.本文将这种方法运用到英文作文的跑题检测中,构建一套跑题检测系统,并在一个真实数据中进行测试.实验结果表明本文的跑题检测系统能有效识别跑题作文,性能明显高于基准系统.

摘要： 基于区域图像检索是基于内容图像检索的另外一个研究热点.随着视觉显著性分析在计算机视觉领域的发展,越来越多的研究者将显著性区域应用于图像检索.提出了一种基于显著性区域的图像检索方法.该方法主要通过视觉注意力机制分析图像的显著性区域,然后利用显著性区域对提取的特征点进行过滤,最后利用过滤之后的特征点进行相似度匹配.为了适应主流图像检索方法,视觉词袋模型(Bag of Words)被应用于图像内容的描述,并在公开图像库上进行了检索性能的测试.

摘要： 随着现代医学成像技术的快速发展,医学影像分类已经成为重要的辅助诊疗需求.本文将文本领域中的词袋模型引入到图像领域,构建视觉词袋模型.为解决多义词和同义词问题,通过把词袋模型与PLSA主题模型结合,提出PLSA-BOA模型来解决传统词袋模型中的语义问题,这使得基于词袋模型的分类方法在精度上得到了进一步提高.实验结果表明,PLSA-BOW模型用于医学影像分类,具有较高的分类精度.

摘要： 随着“词袋模型”在基于内容的图像检索中的成功，众多文本检索技术被移植到图像检索领域并展现了很好的效果。因为大多数检索技术都是依赖于数据的，所以选择对给定数据库最合适的排序方法成了个棘手的问题。引入了广泛运用于文本检索领域的排序学习方法ListNet，并仔细设计了针对图像检索的排序学习特征，实验结果验证了排序学习方法在图像检索领域的有效性。

摘要： 针对视觉词袋模型中的特征量化问题,本文提出一种非负稀疏局部线性编码方法,有效改善了局部特征编码性能,提高图像非线性特征提取性能.其核心思想是利用非负稀疏表示选择与待编码局部特征处于同一线性空间的邻近点,然后以这些近邻点构成局部坐标系对局部特征进行线性编码.实验表明,本文所提的局部特征编码方法显著优于现有特征编码方法,所提取的非线性图像特征更加具有区分性,更有利于图像分类任务.

摘要： 本文针对当今互联网中两种主要的图像类型:自然场景图像与合成图像,设计层次化的快速分类算法.该算法包括两层,第一层利用两类图像在颜色,饱和度以及边缘对比度上表现出的差异性提取全局特征,并结合支持向量机(support vector machine,SVM)进行初步分类,第一层分类结果中低置信度的图像会被送到第二层中.在第二层中,系统基于词袋模型(Bag-of-Words)对图像不同区域的纹理信息进行编码得到局部特征并结合第二个SVM分类器完成最终分类.为测试算法的实用性,同时收集并发布了一个包含约30,000张图像的数据库.实验结果表明,在单核Intel(R)Xeon(R)(2.50GHz)CPU上,本文提出的算法分类精度可达到98.26％,分类速度超过40FPS.

摘要： 基于视图的三维模型检索利用一系列的图像来表示三维模型,越来越受到广泛关注.本文将卷积神经网络(CNN)特征和词袋模型(BoWs)检索思路相结合,提出一种新的基于视图的三维模型检索算法.首先提取CNN特征,然后利用BoWs的检索思想对模型单一特征进行合并,消除视图间关联.之后将多个CNN特征融合,提高检索精确度.在ETH-80数据集上实验结果表明,与目前现有算法相比,本文算法检索精确度较高.

摘要： 目标类的划分是当前模式识别领域的研究热点，其中有两大因素影响着分类效果，一是图像的表示；二是分类器的设计。基于词袋的图像表示方法因其简单、高效成为图像分类中流行的方法。本文主要研究在词袋表示的基础上，不同的分类器对图像分类效果的影响。在Xerox7图像库和CalTech6图像库上，通过实验比较了SVM，最大熵，朴素贝叶斯，Adaboost和随机森林等五种分类器的分类效果，实验结果显示，SVM和最大熵具有较好的分类效果。

摘要： 目标类的划分是当前模式识别领域的研究热点，其中有两大因素影响着分类效果，一是图像的表示；二是分类器的设计。基于词袋的图像表示方法因其简单、高效成为图像分类中流行的方法。本文主要研究在词袋表示的基础上，不同的分类器对图像分类效果的影响。在Xerox7图像库和CalTech6图像库上，通过实验比较了SVM，最大熵，朴素贝叶斯，Adaboost和随机森林等五种分类器的分类效果，实验结果显示，SVM和最大熵具有较好的分类效果。

摘要： 本公开实施例提供一种词袋处理模型的训练方法及装置、词袋处理方法及装置，所述词袋处理模型包括后验分布模型，所述后验分布模型包括第一词袋、第一标签、第一隐变量和第二隐变量；所述第一隐变量为所述第一词袋的特征遮罩，所述第二隐变量为所述第一标签的特征遮罩；基于期望最大化EM框架对所述词袋处理模型进行训练，所述方法包括：在E步，基于变分推断的更新规则，采用不动点迭代的方式优化所述后验分布模型，并计算所述第一隐变量和所述第二隐变量的期望；在M步，根据所述第一隐变量和所述第二隐变量的期望似然函数进行极大似然估计。

摘要： 本发明属于计算机应用领域，公开了一种使用改进的连续词袋模型检测异常用药方法。具体为：利用病人诊断和用药数据，构建背景词和中心词，获得上下文诊断信息和上下文用药信息；将上下文诊断信息作为每种用药或诊断的词袋特征输入连续词袋模型进行训练，得到每种候选药品的概率值；对候选药品根据概率值从大到小进行排序，获得每种药品的排名值；当存在多种诊断背景词组合时，对得到的多个排名值进行累加，根据排名累加值的大小来对药品是否为异常用药进行检测。本方法能很好地判别病人使用的药品是否为异常用药，提高识别的精准度。

摘要： 本发明公开了一种基于词袋模型的计算机程序分类方法，将计算机程序转换为一个由自定义函数或基本块为单位的API调用序列；计算机程序提取的API调用序列是API调用的组合，一个API调用序列中每个API调用存在上下文依赖关系，利用API调用序列训练基于上下文关系的词袋模型，得到每一个API调用序列以及API调用的向量表示，通过API调用序列的欧式距离计算相似度，判定未知计算机程序的分类。本发明采用三层神经网络算法训练计算机程序代码，在很好的学习到代码的整体语义特征和上下文计算机程序代码基因的信息的同时，极大的降低了计算复杂度；基于深度学习的计算机程序的基列向量化表示和聚类方法检测具有较好的效果。

摘要： 本发明公开了一种基于词袋模型的分布式文本聚类方法、存储介质及计算装置，所述方法包括：步骤一，获取文本数据；步骤二，采用分布式计算模型消费文本数据，形成n个批次文本；步骤三，对n个批次文本形成两两配对的笛卡尔积，并保留上三角矩阵或下三角矩阵；步骤四，分布式计算三角矩阵或下三角矩阵中文本对的相似度；步骤五，剔除相似度低于阈值ε的文本对；步骤六，对剩下的文本对进行聚合，产生聚类类别；步骤七，将产生的聚类类别存储内存数据库；步骤八，重复步骤一至步骤七，更新内存数据库中的聚类类别。本发明采用分布式架构和分布式计算模型，在处理速度上有明显提高，还可以提高文本聚类的效果。

摘要： 本发明请求保护一种基于容错粗糙集的词袋模型文本表示方法，包括：101、计算机获取语料库，并对语料库进行预处理操作；102、计算机确定语料库的基词集合；103、计算机获取每个基词的不确定性函数(容错类)，构建不确定性函数矩阵；104、计算机计算每个基词基于每篇文档的模糊隶属度，构建模糊隶属矩阵；105、计算机基于模糊隶属矩阵，获取每篇文档的上近似和下近似，构建上、下近似矩阵；106、计算机基于两种权重计算方案，构建语料库的文本表示矩阵。本发明主要是通过应用容错粗糙集模型，计算语料库中词语对于每篇文档的模糊隶属度，获得文档的上近似和下近似，构建相应的权重计算方法进行文档表示，切实结合当下的技术发展需求。

摘要： 本发明属于文本分类技术领域，具体涉及结合词袋模型和深度学习模型的电商文本聚类方法及系统。方法包括S1，获取原始文本，并进行清洗处理；S2，对清洗后的文本进行预处理；S3，利用词袋模型对文本分词后的内容构建词频向量，同时将最小单元token输入到深度学习模型得到句向量；S4，将词频向量和句向量进行叠加，得到叠加后的向量；S5，将叠加后的向量输入到自编码网络得到低维向量；S6，采用聚类算法对低维向量进行聚类，获得文本的聚类；S7，进行关键词的提取；S8，将提取到的关键词抽取并展示。本发明具有节省人工成本，且对文本能够实现精准表示，并对文本进行主题词抽取并进行直观展示的特点。

摘要： 本发明特别涉及一种基于词袋模型特征点检索的矢量字符识别方法，包括如下步骤：S100、针对任一字符矢量图，读取该矢量图数据得到字符轮廓信息；S200、将字符轮廓信息解析成控制点坐标；S300、将控制点坐标绘制成控制点灰度图；S400、根据控制点灰度图提取ORB特征矢量；S500、将ORB特征矢量作为输入，通过词袋树索引从视觉词典中查找相似度最高的字符ID；S600、通过字符ID映射关系得到该矢量字符对应的字体以及unicode编码。通过以上方案，使得矢量图文件不转格式就能直接进行字符识别，同时还具有如下多个优点：其一，字符识别范围大，准确率高，并可扩展到更大的字符集；其二，字符识别速度快，单字识别速度在1.5ms左右；其三，进行字符识别的同时还可以判断字体。

摘要： 本发明涉及自然语言处理技术领域，公开了一种基于词袋模型的文本相似度计算方法及系统，该文本相似度计算方法，包括以下步骤：S1，获取文本信息；S2，提取文本特征；S3，生成文本特征向量；S4，计算文本相似度。本发明解决了现有技术存在的文字产品的文本相似度计算精度不够、个性化推荐精准度较低等问题。

摘要： 本发明属于机械系统故障诊断领域，具体是一种基于局部时序自相似度和词袋模型的齿轮故障诊断方法。包括以下步骤，S100～获取齿轮多种状态下的加速度信号，将信号制成不重叠等长样本并给定状态标签；S200～基于局部时序自相似度的特征提取：利用滑动窗口将样本划分成多个长度为的子序列，通过子序列构建LTSS矩阵，计算LTSS矩阵的梯度并表示为多维特征向量，样本由LTSS特征向量表示并构成初始样本特征Z；S300～基于词袋模型的样本特征表达：利用初始样本特征Z构建特征空间T，利用聚类算法对构建的特征空间进行聚类，学习得到编码字从而生成码本，所有样本由直方图重新表示；S400～模式决策分类：将S300构建的直方图作为分类器的输入进行训练和测试。

摘要： 本发明公开了一种基于视觉词袋模型的图像复制‑粘贴篡改检测算法，包括如下步骤：将图像尺寸归一化，使用SIFT算法提取特征点；构造特征点感兴趣区域的复值贝塞尔傅立叶矩不变量作为特征点的特征，将特征进行匹配得到单词级匹配结果；利用匹配特征点之间的几何关系计算视觉短语，进行最大池化得到短语级特征；构造基于边缘信息的热度图，使用热度图加权短语级特征，对短语级特征直接匹配，得到短语级匹配结果；执行后处理算法得到最终检测结果。本发明单词级与短语级特征描述和匹配对于具有高度自相似性的自然图像，产生的误匹配对更少，不仅减少了算法后处理执行的时间，还提高了算法的查准率；并且算法的鲁棒性更好，提高了算法的查全率。