下载文档原格式
信息检索关键词部分Key word第1章信息检索（Information Retrieval, IR）数据检索（data retrieval）相关性（relevance）推送（Push）超空间（hyperspace）拉出（pulling）⽂献逻辑表⽰（视图）（logical view of the document）检索任务（retrieval task 检索（retrieval ）过滤（filtering）全⽂本（full text）词⼲提取（stemming）⽂本操作（text operation）标引词（indexing term）信息检索策略（retrieval strategy）光学字符识别（Optical Character Recognition, OCR）跨语⾔（cross-language）倒排⽂档（inverted file）检出⽂献（retrieved document）相关度（likelihood）信息检索的⼈机交互界⾯（human-computer interaction, HCI）检索模型与评价（Retrieval Model & Evaluation）⽂本图像（textual images）界⾯与可视化（Interface & Visualization）书⽬系统（bibliographic system）多媒体建模与检索（Multimedia Modeling & Searching）数字图书馆（Digital Library）检索评价（retrieval evaluation）标准通⽤标记语⾔（Standard Generalized Markup Language, SGML）标引和检索（indexing and searching）导航（Navigation）并⾏和分布式信息检索（parallel and distribution IR）模型与查询语⾔（model and query language）导航（Navigation）有效标引与检索（efficient indexing and searching）第2章特别检索（ad hoc retrieval）过滤（filtering）集合论（set theoretic）代数（algebraic）概率（probabilistic 路由选择（routing）⽤户需求档（user profile）阙值（threshold）权值（weight）语词加权（term-weighting）相似度（similarity）相异度（dissimilarity）域建模（domain modeling）叙词表（thesaurus）扁平（flat）⼴义向量空间模型（generalized vector space model）神经元（neuron）潜语义标引模型（latent semantic indexing model）邻近结点（proximal node）贝叶斯信任度⽹络（Bayesian belief network）结构导向（structure guided）结构化⽂本检索（structured text retrieval, STR）推理⽹络（inference network）扩展布尔模型（extended Boolean model）⾮重叠链表（non-overlapping list）第3章检索性能评价（retrieval performance evaluation）会话（interactive session）查全率(R, Recall Ratio) 信息性（Informativeness）查准率(P, Precision Ratio) ⾯向⽤户（user-oriented）漏检率(O, Omission Ratio) 新颖率（novelty ratio）误检率(M, Miss Ratio) ⽤户负担（user effort）相对查全率（relative recall）覆盖率（coverage ratio）参考测试集（reference test collection）优劣程度（goodness）查全率负担（recall effort）主观性（subjectiveness）信息性测度（informativeness measure）第4章检索单元（retrieval unit）字母表（alphabet）分隔符（separator）复合性（compositional）模糊布尔（fuzzy Boolean）模式（pattern）SQL(Structured Query Language, 结构化查询语⾔) 布尔查询（Boolean query）参照（reference）半结合（semijoin）标签（tag）有序包含（ordered inclusion）⽆序包含（unordered inclusion）CCL(Common Command Language, 通⽤命令语⾔) 树包含（tree inclusion）布尔运算符（Boolean operator） searching allowing errors容错查询Structured Full-text relevance feedback 相关反馈Query Language (SFQL) （结构化全⽂查询语⾔） extended patterns扩展模式CD-RDx Compact Disk Read only Data exchange (CD-RDx)（只读磁盘数据交换）WAIS (⼴域信息服务系统Wide Area Information Service)visual query languages. 查询语⾔的可视化查询语法树（query syntax tree）第5章query reformulation 查询重构 query expansion 查询扩展 term reweighting 语词重新加权相似性叙词表（similarity thesaurus）User Relevance Feedback⽤户相关反馈 the graphical interfaces 图形化界⾯簇（cluster）检索同义词（searchonym） local context analysis局部上下⽂分析第6章⽂献（document）样式（style）元数据（metadata）Descriptive Metadata 描述性元数据 Semantic Metadata 语义元数据intellectual property rights 知识产权 content rating 内容等级digital signatures数字签名 privacy levels 权限electronic commerce电⼦商务都柏林核⼼元数据集（Dublin Core Metadata Element Set）通⽤标记语⾔（SGML，standard general markup language）机读⽬录记录（Machine Readable Cataloging Record, MARC）资源描述框架(Resource Document Framework, RDF) XML(eXtensible Markup Language, 可扩展标记语⾔) HTML（HyperText Markup Language, 超⽂本标记语⾔）Tagged Image File Format (TIFF标签图像⽂件格式)Joint Photographic Experts Group (JPEG) Portable Network Graphics (PNG新型位图图像格式)第7章分隔符（separator）连字符（hyphen）排除表（list of stopwords）词⼲提取（stemming）波特（porter）词库（treasury of words）受控词汇表（controlled vocabulary）索引单元（indexing component）⽂本压缩text compression 压缩算法compression algorithm注释（explanation）统计⽅法（statistical method）赫夫曼（Huffman）压缩⽐（compression ratio）数据加密Encryption 半静态的（semi-static）词汇分析lexical analysis 排除停⽤词elimination of stopwords第8章半静态（semi-static）191 词汇表（vocabulary）192事件表（occurrence）192 inverted files倒排⽂档suffix arrays后缀数组 signature files签名档块寻址（block addressing）193 索引点（index point）199起始位置（beginning）199 Vocabulary search词汇表检索Retrieval of occurrences 事件表检索 Manipulation of occurrences事件表操作散列变换（hashing）205 误检（false drop）205查询语法树（query syntax tree）207 布鲁特-福斯算法简称BF（Brute-Force）故障（failure）210 移位-或（shift-or）位并⾏处理（bit-parallelism）212顺序检索（sequential search）220 原位（in-place）227第9章并⾏计算（parallel computing） SISD （单指令流单数据流）SIMD （单指令流多数据流） MISD （多指令流单数据流）MIMD （多指令流多数据流）分布计算（distributed computing）颗粒度（granularity）231 多任务（multitasking）I/O（input/output）233 标引器（indexer）映射（map）233 命中列表（hit-list）全局语词统计值（global term statistics）线程（thread）算术逻辑单元（arithmetic logic unit, ALU 中介器（broker）虚拟处理器（virtual processor）240分布式信息检索(distributed information retrieval)249⽂献收集器（gatherer）主中介器（central broker）254第10章信息可视化（information visualization）图标（icon）260颜⾊凸出显⽰（color highlighting）焦点+背景（focus-plus-context）画笔和链接（brushing and linking）魔术透镜（magic lenses）移动镜头和调焦（panning and zooming）弹性窗⼝（elastic window）概述及细节信息（overview plus details）⾼亮⾊显⽰（highlight）信息存取任务（information access tasks）⽂献替代（document surrogate）常见问题(FAQ, Frequently Asked Question) 群体性推荐（social recommendation）上下⽂关键词（keyword-in-context, KWIC）伪相关反馈（pseudo-relevance feedback）重叠式窗⼝（overlapping window）⼯作集（working set）第11/12章多媒体信息检索（Multimedia Information Retrieval, MIR）超类（superclass）半结构化数据（semi-structured data）数据⽚（data blade）可扩充型系统（extensible type system）相交（intersect）动态服务器（dynamic server）叠加（overlaps）档案库服务器（archive server）聚集（center）逻辑结构（logical structure）词包含（contain word）例⼦中的查询（query by example）路径名（path-name）通过图像内容查询（Query by Image Content, QBIC）图像标题（image header）主要成分分析（Principal Component Analysis, PCA）精确匹配（exact match）潜语义标引（Latent Semantic Indexing, LSI）基于内容（content-based）范围查寻（Range Query）第13章exponential growth指数增长 Distributed data 数据的分布性volatile data 不稳定数据 redundant data 冗余数据Heterogeneous data异构数据分界点（cut point）373Centralized Architecture集中式结构收集器-标引器（crawler-indexer）373 Wanderers 漫步者 Walkers 步⾏者 Knowbots 知识机器⼈Distributed Architecture分布式结构 gatherers 收集器brokers 中介器 the query interface 查询界⾯the answer interface响应界⾯ PageRank ⽹页级别Crawling the Web漫游Web breadth-first ⼴度优先depth-first fashion 深度优先 Indices（index pl.）索引Web Directories ⽹络⽬录 Metasearchers元搜索引擎Teaching the User⽤户培训颗粒度（granularity）384超⽂本推导主题检索（Hypertext Included Topic Search, HITS）380 Specific queries专指性查询 Broad queries 泛指性查询Vague queries模糊查询 Searching using Hyperlinks使⽤超链接搜索Web Query Languages查询语⾔ Dynamic Search 动态搜索Software Agents 软件代理鱼式搜索（fish search）鲨鱼搜索（shark search）拉出/推送（pull/push）393门户（portal）395 Duplicated data 重复数据第14章联机公共检索⽬录（online public access catalog, OPAC）397化学⽂摘（Chemical Abstract, CA）399 ⽣物学⽂摘（Biological Abstract, BA）⼯程索引（Engineering Index,EI）国会图书馆分类法（Library of Congress Classification）408杜威⼗进分类法（Dewey Decimal Classification）408联机计算机图书馆中⼼（Online Computer Library Center, OCLC）409机读⽬录记录（Machine Readable Cataloging Record, MARC）409第15章NSF (National Science Foundation, 美国国家科学基⾦会)NSNA（National Aeronautics and Space Administration，美国航空航天局）数字图书馆创新项⽬（Digital Libraries Initiative, DLI）4155S（stream,信息流structure,结构space, 空间scenario, 场景society社会）416基于数字化对象标识符（Digital Object Identifier, DOI）420都柏林核⼼（Dublin Core, DC）430 数字图书馆（Digital Library, DL）资源描述框架(Resource Document Framework, RDF)431text encoding initiative (TEI) （⽂本编码创新项⽬）431v。
model-based deep learning -回复什么是基于模型的深度学习？基于模型的深度学习是一种使用模型进行预测和决策的方法。
深度学习是人工智能领域的一个重要分支，从文本和图像到语音和视频等各个领域都得到了广泛应用。
深度学习通过构建神经网络模型来模拟人脑实现学习和解决问题的能力。
它通过多层次的神经网络结构，从底层提取低级特征并逐渐构建高级特征，最终实现对复杂数据的处理和理解。
那么，基于模型的深度学习与传统的机器学习有什么区别呢？首先，基于模型的深度学习充分利用了大数据和强大的计算能力。
相对于传统的机器学习方法，它可以在海量数据中学习到特征和模式，并通过反向传播算法不断优化模型的参数。
其次，基于模型的深度学习具有分层次的特点。
深度学习模型的每一层都可以看做是对输入数据的抽象和转化。
通过堆叠多层网络结构，深度学习可以逐层提取特征，从而更好地理解数据的复杂性。
最后，基于模型的深度学习能够处理非结构化数据。
与传统的机器学习方法相比，它在文本、图像、语音和视频等领域具有更强的表达和处理能力。
这使得深度学习在自然语言处理、计算机视觉和语音识别等任务上取得了巨大的成功。
接下来，我们将一步一步回答如何构建基于模型的深度学习系统。
第一步：定义问题和目标在构建基于模型的深度学习系统之前，我们首先需要明确问题和目标。
例如，我们可以定义一个图像分类任务，目标是将输入的图像分为不同的类别。
这个问题和目标将指导我们后续的模型设计和实现。
第二步：收集和准备数据深度学习需要大量的数据进行训练。
因此，我们需要收集足够的数据，并对其进行预处理。
预处理包括数据清洗、数据标准化、数据增强等。
这些步骤旨在使数据更加适合深度学习模型的训练。
第三步：设计模型结构在设计模型结构时，我们需要考虑问题的复杂性和数据的特点。
通常，我们可以选择一些经典的深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），并根据问题的需要进行适当的调整和扩展。
模型校验评估流程Model validation and evaluation are critical steps in the machine learning process. It involves assessing the performance of a trained model on unseen data to ensure that it generalizes well. The goal is to determine how well the model can make predictions on new, unseen data. 模型校验和评估在机器学习过程中起着至关重要的作用。
它涉及评估已训练模型在未见数据上的性能，以确保其具有良好的泛化能力。
我们的目标是确定模型在新的未见数据上能够做出多好的预测。
There are various metrics and techniques that can be used to evaluate the performance of a model. Some common metrics include accuracy, precision, recall, F1 score, and ROC-AUC. These metrics provide insights into different aspects of a model's performance, such as its ability to correctly classify instances, detect positive cases, and balance precision and recall. 有各种指标和技术可以用来评估模型的性能。
一些常见的指标包括准确率、精确率、召回率、F1得分和ROC-AUC。
这些指标可以提供有关模型性能不同方面的见解，比如模型正确分类实例的能力，检测正例和平衡精确率和召回率。
模型基于的标签质量评估（Model-Based Evaluation of Label Quality）是一种评
估机器学习模型中标签质量的方法。
这种方法通常用于监督学习，其中模型通过使用带标签的训练数据来学习预测任务。
标签质量评估对于确保机器学习模型的性能和准确性至关重要。
如果训练数据中的标签存在错误或偏差，那么模型将无法正确地学习任务，并且在测试数据上的性能可能会受到影响。
模型基于的标签质量评估方法通常涉及以下步骤：
1.训练模型：首先，使用带标签的训练数据来训练一个机器学习模型。
这可
以是任何类型的模型，例如分类器、回归模型或聚类算法。
2.预测和评估：使用训练好的模型对训练数据进行预测，并将预测结果与实
际标签进行比较。
这可以通过计算准确率、召回率、F1分数等指标来完成。
3.分析误差：分析预测结果和实际标签之间的误差，以识别和量化标签错误
或偏差。
这可以通过检查不同类别的误差率、识别错误的样本以及其他度量标准来完成。
4.改进标签质量：根据分析的误差，确定需要改进的标签。
这可能涉及重新
标记数据、清理数据或采取其他措施来提高标签的质量。
5.重新训练模型：使用改进后的标签重新训练模型，并重复上述步骤，直到
满足所需的性能标准。
通过模型基于的标签质量评估，可以更好地理解标签的质量，并采取适当的措施来改进它。
这对于确保机器学习模型的准确性和可靠性非常重要，特别是在关键的应用程序中，如医疗诊断、金融欺诈检测等。
第16卷第7期2004年7月计算机辅助设计与图形学学报JOURNAL OF COMPU TER 2AIDED DESIGN &COMPU TER GRAPHICSVol 116,No 17J uly ,2004原稿收到日期:2003206205;修改稿收到日期:20032122011本课题得到国家自然科学基金重点项目(60033010)和国家创新群体科学基金(20021201)资助1崔晨 ,女,1970年生,博士研究生,主要研究方向为计算机视觉、模式识别、科学计算可视化1石教英,男,1937年生,教授,博士生导师,主要研究方向为分布图形计算、科学计算可视化、虚拟现实、多媒体等1三维模型检索中的特征提取技术综述崔晨 石教英(浙江大学CAD &CG 国家重点实验室 杭州 310027)摘要 介绍了三维模型检索的主要研究内容,综述了三维模型检索中的关键技术———特征提取的研究现状,通过对基于统计特征、骨架几何学的特征提取方法的综合比较与分析,对各种特征提取技术进行了评价1关键词 三维模型;检索;特征提取中图法分类号 TP391Analysis of Feature Extraction in 3D Model R etrievalCui Chenyang Shi Jiaoying(S tate Key L aboratory of CA D &CG ,Zhejiang U niversity ,Hangz hou 310027)Abstract The main contents of 3D model retrieval are analysed and a survey on the key technology of feature extraction in 3D model retrieval based on statistic characteristics ,skeleton ,and geometry of object images is presented with a comparative evaluation of various approaches 1K ey w ords 3D model ;retrieval ;feature extraction1 引 言随着三维扫描技术和计算机图形学的发展以及计算机性能的提高,三维模型已成为继声音、图像和视频之后的第4种多媒体数据类型1对三维模型的使用与研究在娱乐、医学、机械工程、工业应用等领域得到了认同,日益发达的互联网技术为人们对三维模型的共享和处理提供了条件,使创建一个三维模型数据库变为可能,这些都导致对三维模型应用需求的增长1面对庞大的三维模型数据库,如何迅速查找到所需的模型正在成为继图像、视频检索之后的又一个热门课题,它涉及了人工智能、计算机视觉、模式识别等领域1对三维模型的标准化描述和检索已被纳入MPEG 7的发展框架中1目前,虽然已经有针对专用模型(如蛋白质分子结构的分类和查询问题)的研究,但绝大多数三维模型检索的研究都是针对通用模型进行的1同时三维模型的描述方法多样,如体素表示法、多边形网格表示、点集合表示等,这也使得对三维模型特征提取的研究更加复杂1通常,一个完整的模型检索系统包括如下几个方面:(1)三维模型的特征提取1由于绝大多数的三维模型是用于可视化,因此表达三维模型的文件中往往只包含模型的几何属性(顶点坐标、法向矢量、拓扑连接等)和外观属性(顶点颜色、纹理等),很少有适合自动匹配的高级语义特征的描述1如何合理地描述三维模型(即特征提取)成为三维模型检索课题首先要解决的问题,它也是三维模型检索的难点1一个理想的特征描述符SD (Shape Descriptor )必须满足:易于表达和计算;不占用太多的存储空间;适合进行相似性匹配;具有几何不变性,即对模型的平移、旋转、缩放等具有不变性;具有拓扑不变性,即当相同模型有多个拓扑表示时,SD应是稳定的;SD对模型的绝大多数处理,如子分、模型简化、噪声增减、变形等是鲁棒的;SD必须具有惟一性,即不同类型的模型对应的特征表示应该不相同1(2)相似性度量1检索的目的是找出与所给模型相似的模型集合,因而对提取得到的特征如何进行相似性匹配是检索课题中要解决的第二个问题,选择的度量方法必须适合匹配计算1(3)模型分类1由于三维模型资源庞大,因此需要建立一个分类数据库以便提高模型查找效率,该分类数据库必须适合用高级语义描述1当然,对这个问题与相似性度量方法的研究有交叉的地方1(4)搜索方法的研究1尽管有了分类作基础,但面对仍然庞大的数据库,如何快速、有效地查找出相似的模型,在人工智能和数据库领域中仍然是一个值得探讨的问题1(5)查询接口的设计1作为一个成熟的检索系统,应该拥有良好的交互性能,提供给用户方便的查询手段1通常,查询输入可以通过文本与模型相结合的方法[122]进行1对于查询模型的输入主要有两种途径:文献[1]将已知的模型作为查询输入,通知系统检索出相似的模型,该方法的检索结果比较理想,但是要求用户必须预先拥有某种模型的范例,因此实际使用中不够灵活,有一定的局限性;文献[2]提供给用户一个绘图接口,允许用户绘制所需查询模型的二维视图,由系统根据视图自动生成三维模型1对于普通用户而言,准确地绘制一个拓扑复杂、有洞或有许多分支的模型是比较困难的1实验表明,目前该系统在这方面的性能不是非常理想1显然,查询接口的设计也直接影响了系统的检索性能,因此设计一个理想的查询接口在检索系统中非常重要1(6)检索性能的判断1对于三维模型的检索性能的判断,主要从查全、查准、时间、资源消费等几个方面来衡量1目前的研究主要是用查全率和查准率两个参数来对检索性能进行评判1总之,如何提取模型的特征是三维模型检索首先需要解决的关键技术,也是目前研究比较多的一个方面12 特征提取方法描述从计算机图形学发展的初期开始,多边形网格就是通用的三维模型的表示方法1尽管后来出现了更多的描述方法,但由于多边形具有形状简单、便于计算和处理等特点,使得三维模型检索的研究者们更多的以多边形网格模型作为研究对象1文献[325]在20世纪80年代初就对三维模型形状特征的描述进行了研究,但由于相关应用领域发展的滞后,当时并未引起更多的关注,直至20世纪末,随着硬件条件的成熟和应用需求的发展,关于三维模型特征提取方法的研究开始受到了人们的重视1目前,三维模型特征提取方法主要分为三大类:统计特征提取方法;骨架提取方法;基于几何学的提取方法1211 统计特征提取方法对一个三维模型进行参数化本身就是一个很复杂的问题,同时由于三维表面有任意的拓扑,使得一些在二维图像被使用的方法(如傅里叶变换)无法直接应用在三维领域1很多模型虽然满足了视觉效果,但是大多数是退化的、不完整的,最经典的如U2 tah teapot,是一个无底的茶壶;又如Stanford Bunny 是一个带有几个洞的兔子1对这些模型进行有意义的几何特征和形状信号的计算是很困难的,因此从统计学的观点出发,寻找出有意义的统计特征成了研究人员首先考虑的方法1目前的研究中主要使用了如下统计特征:模型顶点间的几何关系(距离、角度、法线方向关系等),模型顶点的曲率分布特征,模型顶点的各阶统计矩以及各类变换特征系数等1 21111 形状分布方法形状分布方法主要描述了模型表面随机顶点间的特征关系,相关特征如模型表面顶点的曲率分布、两个随机顶点间距离的概率分布等1不同的统计特征有着不同的特点,但经过预处理之后大多数可以满足几何不变性[6213],由于形状分布方法用模型表面的特征替代了模型几何体的特征,因此大多数情况下更适合用于对模型进行粗分类1下面对一些有代表性的特征提取进行简单描述1Osada等[6]根据不同几何形体表面顶点间的相互关系呈现出不同的分布特征,试图将一个任意的、可能退化的三维模型中复杂的特征提取转换成相对简单的形状概率分布问题1图1a～1d分别表示直线、圆、三角形、立方体上任意两点间的欧氏距离D2的概率分布曲线1显然,不同的形状呈现出不同的关于D2的曲线特性,以此作为模型的特征描述1文献[6]中还建议了其他特征,如A3(模型表面三个随机顶点间的角度)、D1(模型质心至表面任意顶点间的距离)等1该方法计算简单,对模型的平移、旋转、缩放等具有不变性,对模型边界一些小的扰动具有较好的鲁棒性13887期崔晨 等:三维模型检索中的特征提取技术综述图1 欧氏距离D 2的概率分布曲线文献[729]首先对模型进行规则分割(图2所示为对蛋白质分子进行的网状分割),将不同模型在相同的分割下可能呈现出关于某种特征的不同的分布特性(图3所示为蛋白质在各个区域中的顶点密度的直方图)作为模型的特征描述符1该方法没有对模型进行预处理,因此提取的特征仅具有平移、缩放不变性,但对模型边界小的扰动有较好的鲁棒性1图2 网状模型图3 形状直方图文献[10212]将模型的一些几何参数(如面积、体积以及构造一些特殊的矢量)作为特征向量1文献[12]用一个中心在模型质心的规则多面体(如十二面体)作为参考系,由质心至十二面体的顶点的方向作为特征矢量方向,沿着该矢量方向与模型的三角面片相交,取该方向截交长度最长的那个矢量进行归一化后作为模型的特征矢量;因此,描述一个模型仅需20个特征矢量1尽管该方法比较简单,计算量小,存储量少,但显然对模型特征的描述不够准确,同时对一些小的扰动很敏感,因此实验结果并不理想1Epaquet 等[13]的思想与上述方法类似,将模型顶点与模型的某些特征轴间的关系作为特征描述,提出了一种cord 2based 的方法1该方法首先用主元分析方法(Principle Component Analysis ,PCA )[14]对模型进行规范化得到模型的三个主轴,cord 则由模型的质心与模型顶点的连线定义1模型的特征描述由三部分组成:cord 与模型的第一主轴之间的角度的分布直方图;cord 与模型的第二主轴之间的角度的分布直方图;cord 的长度分布直方图1显然,该方法的计算量比文献[7212]大,但对模型描述的信息更丰富1文献[15217]将顶点的曲率作为特征提取研究的对象1Mahmoudi 等[16]尝试将三维模型的特征提取转换到二维平面上进行,提取二维视图上的边界点的曲率分布特征1为了减少由于模型在坐标系统中的方向、位置、尺寸给模型的特征提取带来的影响,对模型用PCA 进行规范化的预处理1Mahmoudi 等[16]计算了模型的7个二维投影特征视图上顶点的曲率空间分布,其中3个为主要视图,另外4个视图为从属于三个主要视图的次要特征视图1视图投影的方向和数目直接影响了模型特征描述的精确程度,虽然原文中选择7个视图对比较规则的模型特征描述效果不错,但对拓扑复杂的模型效果并不理想1由于模型最终的特征表达是经过两次特征提取得到的,因此特征描述的精确度受到一定的影响;同时,该方法对模型噪声比较敏感1尽管该方法存在诸多需要解决的问题,但仍不失为一个好的思路1Z aharia 等[17]提出用3D SSD (3D Shape Spectrum Descriptor )方法对三维模型进行描述,该方法避免了文献[16]中的二次特征提取,其主要思想是根据物体表面的一些局部几何属性(如某点的曲率)提供物体内在的形状索引(Shape Index ,SI )描述1SI 被定义为某点关于两个主要曲率的函数,则3D SSD 被定义为SI 在整个模型网格上的分布,用直方图表示13D SSD 对几何转换和比例缩放具有不变性,对一些易见的、显著的、有突起的特征,如convexity ,concavity ,rut ,ridge ,saddle 描述准确1但该方法对模型的拓扑很敏感,对任意网格描述之前需进行规范化的预处理,预处理的过程较复杂且涉及到很多方面(如拓扑表示的不惟一性、网格的不规则采样,非定向网格,退化网格等均需经过预处理),因此该方法并不通用1但该方法的实验效果好,并被建议使用在未来的MPEG 7中121112 基于各种数学变换和矩的统计特征提取方法在二维图像中,常用各种数学变换(如傅里叶变换、Hough 变换)或各阶矩对图像进行描述,因而很多研究人员尝试着将这种思想应用到三维模型的特征描述上1488计算机辅助设计与图形学学报2004年为了克服文献[12]中特征提取过于粗糙的缺点,文献[18219]对模型首先进行球面参数化;然后沿着经、纬两个方向均匀采样,得到的球面傅里叶系数作为模型的特征描述符1这种方法可以实现多分辨率的特征表达,对模型表面小的扰动具有鲁棒性1在文献[18]中,还采用了矩作为模型的特征1从实验结果可以看出,球面傅里叶系数具有更好的检索性能1尽管这种基于射线的矩(ray2based)[18]比文献[20]中的统计矩检索性能要强,但是参数化的过程中,存在不同的点映射在同一个球面点上的问题,对模型的表示不惟一1另外,高阶矩对模型表面小的扰动异常敏感1文献[21229]与文献[18]思想类似,采用基于傅里叶变换与矩的思想对模型进行特征描述,在应用时傅里叶变换对边界的变化很敏感,矩则对物体的质量分布较为敏感,这些都影响了检索的效果1文献[30]在假设三维模型可以用三维等高线描述的前提下,用傅里叶系数作为特征描述符1显然,这种方法无法从理论和实验上证明等高线就是三维模型的理想特征描述符,因此还需进一步研究1 Ohbuchi等[31]在假设模型的质量分布是均匀的前提下,计算了模型相对三个主轴的惯量矩和模型表面顶点对三个主轴的距离分布1由于模型对轴会有一些小的变形,为了减少由此带来的影响,文献[31]采用了一种叠盖分析窗口的方法,增加算法对这种变形的鲁棒性1这种方法计算不复杂,对一些退化的模型也适用,但实验表明其对于具有旋转对称特征的模型效果更好些,而对其他特征的模型实验结果并不理想,因此该方法局限性比较大1为了解决文献[17]中的3DSSD对拓扑敏感的问题,文献[32233]给出了一种新的三维模型的特征描述符———O3DHTD(Optimal3D Hough Transform Descriptor)1O3DHTD是基于Hough变换的思想而定义的,该思想在二维图像中已得到应用1文献[33]针对三角面片描述的三维网格模型,将三角形质心作为原始点集映射到某参数空间,通过Hough 变换确定参数集合,以此作为模型的特征描述3DHTD(Hough Transform Descriptor)13DHTD从本质上满足了拓扑不变性的要求,但并没有很好地解决几何不变性1为此,文献[33]采用了PCA方法对模型进行规范化处理,并对由于PCA方法所引起的新坐标系统出现的48种可能情况都做了计算,保证了特征O3DHTD的几何不变性,获得最终的优化后的O3DHTD1由于文献[33]采用了一些优化处理,导致特征提取的计算量较大;同时,该方法是对模型全局特征的描述,适合做全局匹配1图4a所示为基于O3DHTD对飞机模型的检索结果,图4b所示为基于3DSSD对飞机模型的检索结果1可以看出, O3DHTD比3DSSD检索性能好1212 骨架提取方法由于用统计方法提取的特征无法对模型进行直观形象的可视化描述,因此骨架提取成为研究人员关注的第二类方法1骨架是对模型的主要特征的一种可视化描述,它符合人类的视觉特征1在医学的虚拟内窥镜手术中,人们致力于研究如何提取管状器官的中轴线,并以此作为手术的导航1Amenta等[34235]首先计算出模型的Voronoi图,在此基础上计算出模型的骨架,它描述了模型的全局特征,但是Voronoi图的计算开销和存储量非常庞大,更适合实体模型,对于有孔、洞的模型还需特殊处理;同时,Voronoi图的构造对噪声非常敏感,边界上小的噪声常会导致密集的Voronoi图,增加了计算量,影响对模型特征的精确描述1因此,这种方法的实用性有待进一步研究1与中轴变换[36237]的思想相似,文献[38239]采用基于参数控制的瘦化算法对模型进行骨架提取,适合任何以体素描述的三维模型1该算法首先计算出模型的骨架节点,然后通过各节点构造出相应的骨架图形,即一个有向的非循环图1以此作为模型的特征描述,不仅适合全局匹配,也可进行局部匹配,如图5所示1该算法中骨架节点为模型局部的中心点,通过瘦化参数控制节点的密度,因此参数直接影响了模型骨架的提取质量1瘦化算法对噪声异常敏感,小的扰动会导致错误的骨架提取1同时,由于需要对每个体素的距离转换值进行递归计算和比较,因此这种算法的计算量很大1而关于如何选择瘦化参数文献[38239]中没有给出理论的描述,这也是该算法的一个遗憾15887期崔晨 等:三维模型检索中的特征提取技术综述 文献[40242]采用了建立网格模型多分辨率R G (Reeb Graph )的骨架提取方法1一个定义在模型表面的连续标量函数为三维模型构造了一个二维的R G 描述符,R G 不仅可以描述模型的特征,同时还描述了模型的空间拓扑关系,如图6所示1 不同分辨率节点图之间的节点具有父子关系,直线表示了节点间的拓扑1匹配策略由粗到精,当父节点匹配时,再进行子节点的匹配1这种方法无论对模型的全局匹配和局部匹配都适用,而且通过选择合适的连续函数构造出的R G 具有平移、旋转不变性,对由于模型简化、子分、网格重构等引起的连通改变是鲁棒的,对模型变形引起的变化、噪声带来的影响不敏感1该方法不仅能识别拓扑不同的模型(如一个面包圈和球),而且对于几何不同而拓扑相似的模型也能识别,如弯曲的手指或伸直的手指1由于R G 的构造是基于连续标量函数进行的,因此当模型存在两个分离的部分时(如模型中包括两个分离的球),该方法无法正确识别,并且对边界敏感1不同类型的模型必须采用适合的连续函数才能得到正确的R G ,如文献[42]中所用的geodesic 距离函数并不适合于体素模型,可能密度函数更适合1图6 多分辨率R G 的构造213 基于几何学的特征提取方法人类的相似判断是基于对物体在整体几何形体上的一种比较,Novotni 等[43244]据此对三维模型直接进行几何相似判断1其基本思想是将一物体A (如图7a 中的香蕉)与另一物体B (如图7a 中的苹果)重叠放置,计算出物体B 位于物体A 之外的点到物体A 的边界的距离分布特征,构造出包含这些距离的直方图,最后基于这些直方图计算一个量化的相似度量1该方法适用于严格定义的封闭的多边形网格模型,对刚度较大或变形较小的物体效果较好1进行相似判断之前,对模型需进行精确的重新定位和对准的预处理,然后对模型进行边界提取1如图7所示,图7a 中的香蕉和苹果质心重合,图7b 中香蕉和香蕉虽然质心重合,但应如图7c 所示,两者的方向也需一致1该方法适合进行模型的全局匹配,如文献[44]中对客户的脚进行三维扫描后进行模型重构,然后将重构后的模型与鞋楦模型进行相似比较,为客户制造更为符合个人的鞋子1由于绝大多数的模型是不严格的,如Internet 上的模型通常是退化的、松散的多边形集合,所以该方法的应用受到很大的限制1图7 两个模型的预处理3 各类方法比较与分析无论是基于统计特征的方法还是骨架提取,或基于几何学的方法,都无法从理论上验证它们对模型特征描述的精确度,更多的是从实验的结果来判断其优劣1图8所示为对同一飞机模型用同一种度量方法在不同的统计特征描述下得到的查准率2查全率图1三种特征描述符分别为:ray 2based 的用球面调和函数提取的特征矢量(rays 2sh )[18],ray 2based688计算机辅助设计与图形学学报2004年的矩(ray 2moments )[18],统计矩(moments )[20]1图中的数字66,83,31代表该特征矢量的维数1从图8中可看出:rays 2sh 的检索效果较好,ray 2moments 次之,moments 较差1本文主要从各类方法自身的优点和局限性出发,对它们进行分析,分析结果如表1所示1图8 飞机的三种特征描述方法的查准率2查全率图目前的统计方法都是针对多边形网格描述的三维模型,大多数统计特征的计算不复杂,易于理解,适合进行模型的全局匹配1但是,大多数统计特征带有随机性,检索性能有时不稳定,计算出的模型特征无法可视化,不适合局部匹配,对原模型中丢失的特征信息也无法提取1从实验结果看,大多数统计特征比较适合对模型进行粗分类,建立分类数据库1同时,为了保证方法本身对几何变换(如平移、旋转、缩放等)的不变性,大多数统计方法对模型进行预处理时都采用PCA (如Karhunen 2Loeve 变换),但由此会带来如下问题:(1)通过对相关特征值降序排列的方法标注出的主轴并不能总是保证理想的空间对应(例如,对于同样放置在水平桌面上的一个高的玻璃杯和一个平坦的玻璃杯,根据PCA ,前者的主轴应是在垂直方向,而后者应是水平方向,而PCA 重新定义新的坐标系统后,将无法找到两者的相似性);(2)将模型缩放到一个单位边界盒对局部变形十分敏感;(3)PCA 用模型表面特征替代了模型的体积特征,丢失了很多信息;(4)由于定义了新的坐标系统,无法对原模型直接处理,降低了特征描述的精确度1表1 各类方法分析特征描述方法适用模型优 点局限性统计特征 任意网格模型(对松散的、退化的模型也适用)对模型要求不高、计算不复杂、易理解、大多数满足几何不变性、大多数对边界噪声鲁棒、适合全局匹配部分特征不稳定、表面特性替代了几何体特性,丢失了一些特征,部分特征对拓扑敏感,大多数特征适合粗分类骨架提取 体素模型、封闭的网格模型直观(可视化)满足几何不变性,适合全局和局部匹配对模型要求较高、适合有关节或分支的模型、计算量大、对边界噪声敏感基于几何学刚度较大、变形较小、封闭的网格模型原理简单,符合人类的相似判断准则、适合全局匹配对模型要求很高、不通用、计算量大、对预处理要求非常严格 因此,尽管很多研究都采用PCA 方法进行预处理,但大多数研究对上述问题并没有给出解决方法,因此对这种方法的缺陷必须有充分认识,寻找出相应的解决措施才能进一步提高模型特征提取的精度1骨架是对模型的主要特征的一种直观描述,它符合人类的视觉特征,由于匹配时采用的是节点属性和拓扑匹配,因此适合全局和局部匹配;对模型的几何变换(如旋转、缩放、平移等)是鲁棒的1但进行骨架提取时对原始模型的信息要求比较严格(模型需是封闭的多边形网格或严格的体素描述),例如,对一个由松散的多边形组成的模型进行骨架提取是无意义的,对一些退化的模型进行骨架提取则可能会导致不正确的结果;同时,由于骨架提取方法的不同,有时对模型的一些噪声会异常敏感1实验结果表明,骨架更适合用来描述有关节或分支的模型1基于几何学的方法是目前研究的比较少的一类方法,仅适用严格定义的、具有一定刚度或变形较小的网格模型,因此该方法的应用受到很大的限制1由于采用的是模型边界的比较,因此对模型预处理的要求较高,要求模型的质心和方向完全一致,同时边界提取也极大地增加了该方法的计算量1每种方法都有各自的优缺点,如何将它们综合考虑,甚至引入文本注解的方法,以进一步提高特征提取的精确程度,或发现更新的特征描述方法,是今后研究的方向1同时,每种特征的检索效果还与所采用的相似性度量方法有着极大的关系,因此,针对特征描述符的特性,采用合适的相似性度量方法才能取得更好的检索效果14 总结和展望三维模型的检索是近年来随着三维模型获取手7887期崔晨 等:三维模型检索中的特征提取技术综述。
模型评价与保存英语Model evaluation is a critical step in the machine learning pipeline as it helps us understand how well our model performs on a given dataset. When evaluating a model, it is important to consider various metrics such as accuracy, precision, recall, F1 score, and AUC-ROC to get a comprehensive view of its performance. These metrics help us assess the model's ability to correctly predict the outcome of interest and its performance across different classes or categories.模型评价是机器学习流程中的关键步骤，它帮助我们了解模型在给定数据集上的表现如何。
在评估模型时，重要的是考虑各种指标，如准确率、精确率、召回率、F1 分数和 AUC-ROC，以全面了解其性能。
这些指标帮助我们评估模型正确预测感兴趣结果的能力以及其在不同类别或类别中的表现。
Apart from traditional metrics, model evaluation can also involve more complex techniques such as cross-validation, hyperparameter tuning, and ensemble methods to ensure the model's robustnessand generalization ability. Cross-validation helps us estimate the performance of the model on unseen data and reduce the risk of overfitting, while hyperparameter tuning allows us to fine-tune themodel for optimal performance. Ensemble methods, on the other hand, combine multiple models to improve prediction accuracy and reduce variance.除了传统指标外，模型评估还可以涉及更复杂的技术，如交叉验证、超参数调整和集成方法，以确保模型的稳健性和泛化能力。
机器学习笔记模型选择与评估（Modelselectionandevaluation）前言在机器学习中，我们需要用一些方法去衡量我们选择的模型效果的优劣。
这里我记录了一些比较常见的方法，以此来评估我们选择的模型在此场景下的优劣程度。
一、介绍我们将学习器预测输出与样本真实输出的差异称为误差。
预测正确的样本数占样本总数比例称为准确率（accuracy），相反错误样本数占样本总数的比例称为错误率（error rate）。
但是准确率并不能有效说明机器学习性能，实际上达到准确率100%的学习器在大多数情况都不好。
我们实际希望得到的是能够在新样本上表现很好的机器。
在新样本上的误差，我们称为泛化误差。
训练学习器的时候，学习器学习训练集“太好”，导致将训练集的一些特点当成所有样本的普遍规律，这样会导致泛化性能下降，这种现象在机器学习中被称为“过拟合”（overfitting）。
相反的学习器学习训练集太差，训练集一般的性质都没有学好，称为“欠拟合”（underfitting）。
二、评估方法现实任务中，我们需要选择合适的模型和合适的参数。
那么我们方案通常是，对候选的模型进行泛化误差评估，选取泛化误差最少的模型。
所以在我们模型训练之前对数据集进行划分，分成训练集和测试集。
我们会根据数据集的情况（数据量，分布是否均匀等）来选择合适的划分方式。
我们需要使用一个测试集来测试学习器对新样本的泛化能力。
测试样本也是从样本真实分布中独立同分布采样而得。
测试集和训练集尽可能互斥。
以下是常用的几种方式：2.1 留出法•把数据集分成互不相交的两部分，一部分是训练集，一部分是测试集。
•保持数据分布大致一致，类似分层抽样•训练集数据的数量应占2/3~4/5•为了保证随机性，将数据集多次随机划分为训练集和测试集，然后在对多次划分结果取平均。
•将数据集随机分为互斥的k个子集，为保证随机性，P次随机划分取平均。
•将k个子集随机分为k-1个一组剩下一个为另一组，有k种分法。
precision, recall 和f1评价指标-回复Precision, Recall, and F1 Score: Evaluating Performance MetricsIntroduction:In the field of machine learning and data analysis, it is important to assess the performance of models or algorithms accurately. Various metrics are used to evaluate the effectiveness and efficiency of these models. In this article, we will delve into three essential metrics –Precision, Recall, and F1 Score –and discuss how they are calculated, interpreted, and applied in real-world scenarios.1. Precision:Precision, also known as Positive Predictive Value (PPV), measures the accuracy of positive predictions made by a model. It specifically focuses on how many of the positive predictions are actually true positives. Precision is calculated using the formula:Precision = (True Positives) / (True Positives + False Positives)For example, consider a spam email detection model. If the model correctly identifies 95 out of 100 spam emails and incorrectly classifies 10 legitimate emails as spam, the precision would be 0.904. This means that 90.4 of the emails predicted as spam aretruly spam, while 9.6 are false positives.2. Recall:In contrast to precision, recall (also referred to as Sensitivity or True Positive Rate) measures the ability of a model to identify all positive instances, including both true positives and missed positives. Recall is calculated using the formula:Recall = (True Positives) / (True Positives + False Negatives)Referring back to the spam email detection model, if it detects 95 out of 100 spam emails, but fails to identify 5 of them, the recall would be 0.95. This implies that the model can identify 95 of all spam emails, but misses 5 –these missed instances are known as false negatives.3. F1 Score:While precision and recall provide valuable insights independently, it is often useful to have a single metric that combines both measures. That's where the F1 Score comes into play. It is the harmonic mean of precision and recall, designed to provide a balanced evaluation of the model's overall performance. The F1 Score is calculated as follows:F1 Score = 2 * ((Precision * Recall) / (Precision + Recall))Using the previous example, if we calculate the F1 Score, it would be 0.926. The F1 Score's value ranges between 0 and 1, with 1 representing perfect precision and recall, and 0 indicating the worst.4. Interpreting the Metrics:To better understand the significance of precision, recall, and F1 Score, it is essential to consider their interpretation based on the problem at hand. For instance, in a spam email detection system, high precision is crucial as false positives can have significant consequences, such as important emails being directed to the spam folder. On the other hand, high recall is preferred in scenarios where identifying as many positives as possible is crucial, such as detecting life-threatening diseases from medical images.Choosing between precision and recall depends on the context and the specific trade-offs of the problem. In some cases, the focus may be on optimizing one metric over the other. For example, if identifying all positive cases is of utmost importance, compromising on precision may be acceptable. Conversely, insituations where minimizing false positives is more critical, optimizing for high precision would be preferred.The F1 Score provides a balanced evaluation by considering both precision and recall. This can be particularly useful in cases where precision and recall carry equal importance. However, if the problem at hand requires more emphasis on either metric, other formulations such as the F2 Score (which weights recall higher) or the F0.5 Score (which weights precision higher) can be utilized.5. Application in Real-world Scenarios:Precision, recall, and F1 Score have widespread applications in various fields. They are commonly used in information retrieval systems, natural language processing, sentiment analysis, medical diagnostics, and fraud detection, among others.For example, in medical diagnoses, precision is of utmost importance as making a false positive diagnosis can lead to unnecessary treatments and costs. On the other hand, in sentiment analysis of customer reviews, recall might be more important as capturing all instances of negative feedback is crucial for identifying areas of improvement.Conclusion:Precision, recall, and F1 Score are essential performance metrics used in machine learning and data analysis. They provide insights into the accuracy, completeness, and balance of models' predictions. Understanding and interpreting these metrics allow us to evaluate model performance effectively, make informed decisions, and choose appropriate algorithms for specific applications. By considering the problem's context and business requirements, we can optimize models to achieve the desired balance between precision and recall, or rely on the F1 Score as a representative single metric for evaluating overall performance.。
