假设通过使用SIFT,SURF或MSER方法进行2D图像特征提取的工作流,然后使用编码后的词袋/特征并随后用于训练分类器。3D图像数据集的特征提取
我想知道是否有3D数据集的类似方法,例如3D数据的MRI数据。在处理2D图像时,每个图像都表示一个具有要检测和编制索引功能的实体。但是,在3D数据集中,是否可以从三维实体中提取特征?这是否必须通过将3D图像分解为多个2D图像(切片)来逐片完成?或者是否有一种方法可以在保留3D信息的同时将3D维度降至2D?
任何指针将不胜感激。
假设通过使用SIFT,SURF或MSER方法进行2D图像特征提取的工作流,然后使用编码后的词袋/特征并随后用于训练分类器。3D图像数据集的特征提取
我想知道是否有3D数据集的类似方法,例如3D数据的MRI数据。在处理2D图像时,每个图像都表示一个具有要检测和编制索引功能的实体。但是,在3D数据集中,是否可以从三维实体中提取特征?这是否必须通过将3D图像分解为多个2D图像(切片)来逐片完成?或者是否有一种方法可以在保留3D信息的同时将3D维度降至2D?
任何指针将不胜感激。
假设一个灰度的二维图像,可以在数学上被描述为一个矩阵。将矩阵的概念推广到理论结果tensors(非正式地你可以想象一个多维数组)。即RGB二维图像被表示为尺寸为[宽度,高度,3]的张量。此外,RGB 3D图像被表示为尺寸为[宽度,高度,深度,3]的张量。此外,就像矩阵的情况一样,您也可以执行张量张量乘法。
例如,考虑以二维图像作为输入的典型神经网络。除了矩阵矩阵乘法(尽管节点上的元素非线性操作),这样的网络基本上不做其他事情。以同样的方式,一个神经网络通过执行张量张量乘法运算在张量上。
现在回到您的特征提取问题:确实,张量问题是它们的高维度。因此,现代研究问题认为张量的有效分解保留了最初的(最有意义的)信息。为了从张量中提取特征,张量分解方法可能是一个好的开始,以减少张量的等级。在机器学习张量的一些论文有:
Tensor Decompositions for Learning Latent Variable Models
Supervised Learning With Quantum-Inspired Tensor Networks
Optimal Feature Extraction and Classification of Tensors via Matrix Product State Decomposition
希望这有助于,即使背后的数学是不容易的。
与Python或matlab有什么关系? –