二年级下册识字表组词
深度学习----CNN的图像学习之HOG（⽅向梯度直⽅图）详解
爱乌及屋（Histogram Of Gradient, ⽅向梯度直⽅图）
⼀、原理
梯度的统计信息，梯度主要存在于边缘的地⽅
HOG的图像分割策略，⼀般来说有overlap和non-overlap两种，如下图所⽰。overlap指的是分割出的区块（patch）互相交叠，有重合的区域。non-overlap指的是区块不交叠，没有重合的区域。
overlap，这种分割⽅式可以防⽌对⼀些物体的切割，还是以眼睛为例，如果分割的时候正好把眼睛从中间切割并且分到了两个patch中，提取完HOG特征之后，这会影响接下来的分类效果，但是如果两个patch之间overlap，那么⾄少在⼀个patch会有完整的眼睛。overlap的缺点是计算量⼤，因为重叠区域的像素需要重复计算。
non-overlap，缺点就是上⾯提到的，有时会将⼀个连续的物体切割开，得到不太“好”的HOG特征，优点是计算量⼩，尤其是与
Pyramid（⾦字塔）结合时，这个优点更为明显。
特征描述⼦
特征描述⼦就是图像的表⽰，抽取了有⽤的信息丢掉了不相关的信息。通常特征描述⼦会把⼀个w*h*3(宽*⾼*3，3个channel)的图像转换成⼀个长度为n的向量/矩阵。⽐如⼀副64*128*3的图像，经过转换后输出的图像向量长度可以是3780。
什么样⼦的特征是有⽤的呢？假设我们想要预测⼀张图⽚⾥⾯⾐服上⾯的扣⼦，扣⼦通常是圆的，⽽且上⾯有⼏个洞，那你就可以⽤边缘检测(edge detector)，把图⽚变成只有边缘的图像，然后就可以很容易的分辨了，那么对于这张图边缘信息就是有⽤的，颜⾊信息就是没有⽤的。⽽且好的特征应该能够区分纽扣和其它圆形的东西的区别。
⽅向梯度直⽅图(HOG)中，梯度的⽅向分布被⽤作特征。沿着⼀张图⽚X和Y轴的⽅向上的梯度是很有⽤的，因为在边缘和⾓点的梯度值是很⼤的，我们知道边缘和⾓点包含了很多物体的形状信息。
⼆、参数的理解宠物简笔画>结婚的音乐
2.1、灰度值
指⿊⽩图像中点的颜⾊深度，范围⼀般从0到255，⽩⾊为255，⿊⾊为0，故⿊⽩图⽚也称灰度图像
2.2、归⼀化
图像归⼀化:
归⼀化图像的主要⽬的是提⾼检测器对光照的鲁棒性，因为实际的⼈体⽬标可能出现的各种不同的场合，检测器，必须对光照不太敏感才会有好的效果。
1、转换成标准模式，防⽌仿射变换的影响。
2、减⼩⼏何变换的影响。
3、加快梯度下降求最优解的速度。
2.3、细胞核黄疸的宝宝症状
2.4、窗⼝
2.5、类型
2.6、Gamma标准化
朗读短文**Gamma越⼤，光线越暗**
鱼肉饺子2.7、图像梯度及梯度算⼦
图像梯度可以把图像看成⼆维离散函数，图像梯度其实就是这个⼆维离散函数的求导： 图像梯度:
听音乐英语怎么写在每个Cell中，我们构建对于⽅向的投票。⽅向可以是0~ 180度（⽆符号的梯度）或者0 ~ 360度（有符号的梯度）。论⽂中采⽤的是0 ~ 180度的⽆符号梯度投票。将0~180度平均分解成9个⽅向。像素的投票的值是实际梯度⼤⼩值。
在投票时为了reduce aliasing，我们会使⽤线性插值的⽅法进⾏投票。例如当前点的⽅向为65、梯度⼤⼩为20，这就需要向60度投票15，向80度投票5.
2.8、直⽅图
例⼦
2.9、⾼斯空域加窗
三、步骤及算法
