图像处理与计算机视觉的论文创新点总结

 https://blog.youkuaiyun.com/zhouzhaoxiong1227/article/details/6891966

原文：https://blog.youkuaiyun.com/lanchunhui/article/details/52763925

•     创新点的一般方向：

        ⇒ Generalized：泛化
        fixed ⇒ Adaptive，自适应（自调节）
            local adaptive
        hard ⇒ soft（threshold）
        single ⇒ local，individual ⇒ others；
        ⇒ Marginalized，⇒ Modified：修正的
        straightforward ⇒ iteration，直接求解，迭代求解；
        linear ⇒ non-linear，线性 ⇒ 非线性；

•     做距离度量（或者其他运算）时，仅考虑两个样本，而不考虑同一样本空间的其他样本

        在做两个样本的距离度量（或者其他运算），不仅考虑此两个样本，还综合考虑同一样本空间的其他全部样本（显然样本之间存在 relation，相关性），使用 K-NN 算法选出距离最近的样本，比如著名的马氏距离；

 

 

确定 ⇒ 概率 ⇒ 贝叶斯化；

算法的创新：

    stochasticity， hash；
    对以前的算法、模型进行修改和改进；（也就是吴军老师所说的，N+1。试想有没有那么一种可能，N-M+K，华山不是只有路一条，适当地回退，再重新出发），比如
        在降维算法上，从 PCA 到 KPCA 的提出只能算是一种改进，
        PMF （概率矩阵分解）原初的实现是基于高斯分布，等价于 L2 的正则，将其分布设定为拉普拉斯分布，就等价成了 L1 正则，这也是针对算法具体问题进行的改进；
    “新”的模型和算法，属于另辟蹊径；当然也算不上严格意义上的“全新”，也不是基础性原理性的转变，不是缝缝补补的工作，而是开辟了新的路径；
        降维算法从 PCA 完全转向为流形学习；
    Binary masking noise：
        set a fraction of the features of each input to zero.
        让一部分的值为0，其他的值仍保持不变；

1. 拓展和泛化（Generalized）

    从调和平均到加权调和平均

    关于调和平均（harmonic mean）：

    进一步将其拓展泛化为加权调和平均：
---------------------
作者：Inside_Zhang
来源：优快云
原文：https://blog.youkuaiyun.com/lanchunhui/article/details/52979807
版权声明：本文为博主原创文章，转载请附上博文链接！