為什么通過距離就可以特征點的相似度？對閾值的選擇：當兩幅圖像的SIFT特征向量生成沉淀后，然后再我們采用關鍵點特征向量的中式距離來另外兩幅圖像中關鍵點的相似性判定度量。取圖像1中的某個關鍵點，并看出其

為什么通過距離就可以特征點的相似度？

對閾值的選擇：當兩幅圖像的SIFT特征向量生成沉淀后，然后再我們采用關鍵點特征向量的中式距離來另外兩幅圖像中關鍵點的相似性判定度量。取圖像1中的某個關鍵點，并看出其與圖像2中古典歐式距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離除以2次近的距離不得低于某個比例閾值，則得到這一對不兼容點。降底這個比例閾值，SIFT自動分配點數(shù)目會減少，但更好的穩(wěn)定性。為了先排除而且圖像遮擋物和背景混亂不堪而才能產生的無版本問題關系的關鍵點,Lowe給出了比較最近鄰距離與次近鄰距離的方法,相距比率ratio大于某個閾值的以為是正確的自動分配。因為這對錯誤看操作,因此特征空間的高維性,有幾分相似的距離肯定有大量其他的錯誤版本問題,進而它的ratio值也很高。Loweratio的閾值為0.8。但作者對大量任意存在尺度、旋轉和亮度波動的兩幅圖片進行匹配，結果因為ratio取值在0.4~0.6之間最佳，大于0.4的很少很少有匹配點，大于00.6的則修真者的存在大量錯誤匹配點。(如果不是這個地方你要改進之處，最好是決定一個看操作率和ration之間的關系圖，這樣的話才更有說服力)作者建議您ratio的取值原則如下:ratio0.4對此準確度具體的要求高的匹配；ratio0.6對于不兼容點數(shù)目要求比較好多的不兼容；ratio0.5一般情況下。也可按如下原則:當最近鄰距離

在用神經網絡訓練一個多分類的模型后，測試時如果存在一個不屬于樣本中的已知類別時，如何歸為一個新的類別？

您好，看見這個問題時我也很感興趣：）

簡單的方法，當測試樣本屬于法律已知歸類時，其終于的輸出向量中那里值都會偏低。我們是可以按照設置一個閾值函數(shù)對輸出向量并且閾值處理，當輸出向量中所有的值都低于設定閾值時，則認為又出現(xiàn)了兩個新的類別。

但這種做法并不也能沒更新模型，況且新類別都屬于少數(shù)數(shù)據，我們不能能得到相當?shù)男骂悇e樣本進行模型學習。我們僅還能夠將所有不滿足閾值條件的樣本歸為一個新的類別，對此該類別詳細是什么類別也不需要人工多判斷。

一種較好的是通過半人工專門監(jiān)督的方法，即在模型工作時，但檢測到新類型樣本時由人工對樣本參與標記。在靠積累加上的該類型樣本之后便能實現(xiàn)方法模型的更新。

以上是我淺薄的見解，不喜歡請了解我吧～

談及AI時常聽到的「神經網絡」和「深度學習」到底是什么意思？

AI（Artificial Intelligence），全稱叫人工智能，是一種設計和實現(xiàn)計算機的多學科交叉的發(fā)展勢頭迅猛科學技術。它的意義跟我們想象中的完全不一樣，它都能夠能用人類做很多繁重的工作。

而神經網絡和深度學習，則是利用人工智能的，未來可能用神經網絡實現(xiàn)我們想象中的人工智能，也很有可能以深度學習的實現(xiàn)。也就是說，人工智能是目標，而神經網絡和深度學習是方法。

那神經網絡和深度學習有什么區(qū)別呢，也許你早略知一二，倆人是兩種完全不同的方法。這兩種方法既有相同點又有完全不同點。

人工神經網絡是生物學里根據人的大腦里神經元的運轉而抽像系統(tǒng)的總結進去的一種方法，其特點是實際不斷迭代、負反饋的求最佳的方法解的過程。

深度學習的概念恰好緣于神經網絡，在神經網絡的基礎上其成分多個暗含層和多個感知器。深度學習像一種貪心算法，準求從最多層可以找到一個事物的多種表達，例如一幅圖像，最簡單就的形式是怎樣表達成像素點的形式。同樣，圖像也可以表達為各種輪廓的邊近似，由顏色可以形成，梯度構成或則更高一層次的元素如：四肢、棱、柱子等組成。在這個基礎上對事物接受分類判別。

從廣義上講，深度學習又是神經網絡的一種。民間的神經網絡只有輸入層、暗含層、輸出低層。但深度學習則是在多層神經網絡的基礎上另外特征學習部分，這那是我上面講的對信息的具體劃分去處理。