Bag of Word， 顧名思義，即將某些Word打包，就像我們經常會把類似的物品裝到一個柜子，或者即使是隨意打包一些物品，也是為了我們能夠方便的攜帶，在對大數據作處理的時候，為了能夠方便的攜帶這些數據中的信息，與其一個一個的處理，還不如打包來的容易一點。 ??????Bag of Word?因其理論簡單，易懂，在vision界也得到了廣泛的應用，有人將Bag of Word改成Bag of Visual Word來提出，充其量只是炒炒概念罷了，其基本的思想還是BOW(Bag of Word)。 ??????Anyway, 簡單談一些關于Bag of Word的東西： ??????Bag of word實現步驟： ??????step 1:?大數據聚類，找到適當的聚類中心點----Vocabulary。 ??????step 2:?訓練數據像聚類中心映射，得到每一個訓練數據在該聚類中心空間的一個低維表示。 ??????step 3:?得到每一個訓練數據的低維表示后，選擇適當的分類器訓練。 ??????step 4:?對新來的樣本先映射到聚類中心空間，然后利用得到的分類器進行預測。
?????在視覺領域，很希望能夠利用已知的目標或者圖像去得到相關的信息，這在機器人......等領域有著很廣泛的應用，所以利用視覺領域中圖像檢索這一塊解釋一些基本問題。 ????? ??????Vocabulary建立(數據聚類)： ??????以SIFT 128維特征作為例子。例如現在有1000張訓練圖片，對每一張訓練圖片都提取SIFT的128維特征，那么最終可以得到 N(i) * 128的特征，N(i)代表第幾張圖特征點的個數，因為圖片并非完全相同，所以特征點的個數當然是不一樣的。接下來就是建立詞典的過程，利用現在常用的一些聚類算法，kmeans就OK，選擇聚類中心點的個數，1000個也好， 10000個也罷，聚類完成后，得到的就是一個1000(10000) * 128聚類中心點的空間，稱之為詞典。 ??????這個詞典就好比一個容器，通俗一點就是一個直方圖的基，利用這個基去統計這些訓練樣本的個信息。
??????訓練樣本的映射: ??????此時已經得到了一個直方圖的基，如下圖：
圖1： 圖中，n表示聚類中心點的個數，用BOW中的文字表示即使字典的個數。 ??????這些直方圖的基在像是在空間的一些三維空間的基向量i, j, k， 利用這些基向量去構造別的向量，只需要知道特定的系數就行。所以接下來的步驟就是將原始的圖像特征（SIFT 128維）向這些基向量作映射，得到相關的系數，如圖: 圖2：上圖中給出了兩個類別的直方圖 ??????通過相關的映射，得到不同類別的一個類別的直方圖的統計，這樣整個BOW特征提取過程就算是完全實現了。接下來如何進行匹配，就是選擇分類器的問題了。
??????分類器的選擇： ??????其實BOW之所以有bag的意思也是將相似的特征進行打包，得到統計的一個范圍，這個范圍就是直方圖的某一個bin。在進行圖像檢索的時候，接下來就是進行分類器的訓練與識別了，例如樸素貝葉斯分類器，支持向量機之類。一般利用BOW的時候，大多數人還是選擇支持向量機這玩意，有實驗證明BOW結合SVM效果要好于其他的分類器。不過，我沒做過對比實驗，這里也算提一下。
??????新來樣本的識別： ??????在訓練好分類器后，對于新來的樣本，同樣先提取SIFT特征，然后將SIFT特征映射到上面圖1中的詞典中去，然后得到的直方圖就可以通過分類器進行分類了。如： 圖3 新圖片的BOW直方圖特征
??????上圖是一張新圖映射到詞典時得到的直方圖，可以看出，這張圖片相對于圖2的情況而言，更接近類別1，所以通過分類器，理想的裝填應該是判斷為1。 但是我們都知道，理想狀態的出現可能性太小，所以BOW難免會有出錯的時候，通過閱讀幾篇論文，發現現在BOW的識別率大概在60%-80%之間，當然了一方面是數據量巨大的問題，另外一方面也是因為圖像之間的相似度高。所以整體來講，BOW的識別率還是再可以接受的范圍 《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的Bag of Word的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。