该文综述机器学习中的绑定问题,即如何组合同一对象的多个特征。研究提出多种方法:用旋转特征推广复数特征、去噪自编码器动态绑定特征、递归神经网络研究特征捆绑与视角转换、八元数代数优化绑定矩阵、随机特征学习旋转不变函数、物理知识指导神经网络预测三维旋转动力学,以及脑启发混合神经网络实现时间绑定。
本文介绍了一种基于CNN模型的场所识别技术,使用组合得到CNN模型的强大特征,并在基准数据集上进行评估,取得了75%的提升和100%精度,优于之前所有的最新技术。同时,对所有21个层的特征进行了全面的性能比较。
本文提出了一种用于在线手写字符识别的特征组合,通过空间映射和直方图计算,将点的坐标、笔画方向和动态等特征应用于分类器训练。使用96种印地文字符的在线手写样本进行训练和测试,结果显示该特征组合的分类准确率最高达92.9%。因此,该特征组合具有更好的字符辨别能力。
完成下面两步后,将自动完成登录并继续当前操作。