别时茫茫的专栏

1.介绍 这篇文章主要说如果高效的训练深层的神经网络。对于现存的模型，由于一些限制，比如梯度消失的情况，只能限于训练一些比较浅层的网络。而且这种模型的效率并不高。所以作者就提出来一种可以高效训练深层网络的方法。具体的是：训练过程当中引入辅助变量，通过更新辅助变量，来达到某一层的局部最优解。通过实验发现，这种方法可以训练64个隐藏层，每层1024个节点的网络，而训练的时间在3个小时左右。2

1.论文介绍使用GIST特征对于场景图片进行分类。对于分类器的选择，作者使用了基于L2L_2正则，L2L_2损失的SVC方法，和基于核函数的SVM两种分类器。并在GIST特征的多尺度，多方向，不同划分图像块的三个方面进行了实验，结果表明带有核函数的SVM在提取GIST特征时使用18个方向，5个尺度，并使用4*4的划分卷积图像可以达到最好的分类结果。2.方法介绍2.1二维的Gabor 滤波器对于二维的

论文介绍： 论文主要比较了全局特征GIST和其他的局部特征，分别在图像相似检索和近乎拷贝检索的两个任务上不同效果。同时作者对于BOF优化的一些方法进行了实验，例如HE(Hamming Embedding) BOF 空间划分，并在召回率和准确率进行比较，同时在使用的内存和检索时间进行了比较。最后作者提出来了一种综合传统BOF的方法，并考虑内存使用和查询准确率的建立索引的方法。在实验中，作者提出来的方

1.论文介绍对于以前的hash算法，是把特征学习和hashcode的学习分开来进行的，有的是先使用手工特征或者学习到的特征，然后在进行hashcode的学习。两个过程分裂开来进行学习的。每次学习只是整个目标的一部分，这样会陷入到局部最优解当中。所以作者针对这里面存在的问题，提出了deep hashing network的算法，主要解决的问题在于一下几个方面： 1).通过CNN来学习特征，而不是使用

Combining SIFT and Global Features for Web Image Classification 2.1.SIFT特征的提取介绍1.局部极值的检测和方向的确定 使用高斯差分函数获取高斯差分图像金字塔，然后对于图像中的每一个点，以这个点为中心的就个点，以这个图像的上面，下面一层的金字塔图像的对应的点，判断这个点是不是极值。 高斯查分函数： 其中的高斯函数：

1.论文介绍这篇文章通过使用图像的颜色特征（全局和局部），并结合这SIFT特征，实现BoW，作者认为颜色特征可以作为SIFT特征的补充，达到超出传统方法的效果。2.Bag of ColorColor特征的生成过程 颜色空间：作者基于前面人的工作，借用了CIE-Lab颜色特征。这个颜色空间更接近于欧式空间。颜色字典 颜色字典是通过聚类来实现的，对于每一个图像的颜色特征分量，L,a,b分别进行量化，

1.论文介绍这篇文章主要解决了，图像检索过程当中的突发(Burstiness)问题。在BoW模型当中，一个视觉元素在同一个图片中多次出现可能会降低匹配的质量。2.图像检索的框架局部特征和特征与视觉中心的对应 作者通过使用Hessian-afine 检测子来计算SIFT特征。作者在数据集Flickr上通过k-means方法学习到20k大小的视觉词典。对于新的特征，使用欧氏距离来获得这个特征属于的视觉