22、深度学习方法与应用及物联网实体建模概述

深度学习方法与应用及物联网实体建模概述

1. 稀疏编码方法介绍

稀疏编码在图像分类等领域有着重要应用，以下为几种常见的稀疏编码方法。

1.1 超图拉普拉斯稀疏编码（HLSc）

HLSc 技术基于局部稀疏编码（LSC）的概念，利用超图来表示局部特征的相似性，提高了稀疏编码的鲁棒性，可用于解决半自动图像标记问题，还能应用于人脸识别问题。

1.2 局部坐标编码（LCC）

LCC 算法是一种用于处理分布在流形上的高维数据的非线性学习新技术。它强调编码的局部性，认为局部性比稀疏性更重要，且局部性可以提升稀疏性。只有当编码具有局部性时，稀疏编码对训练才有益。不过，该算法的优化过程较为耗时。

1.3 超向量编码（SVC）

SVC 基于向量量化方法并扩展了其特征，算法包含三个步骤：
1. 描述符编码 ：对描述符上的非线性特征进行转换，采用新的非线性编码方法——超向量编码。
2. 空间池化 ：将所有描述符的编码组合成单个向量，通过组合不同区域的向量形成图像级特征向量。
3. 图像分类 ：对图像级特征进行归一化处理，并提供给分类器。

1.4 稀疏编码方法比较

方法	特征	优点
ScSPM	使用 SIFT 稀疏码 </