معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Aggregate local features into global features

ویژگی	مقدار
سیستم عامل	-
نام فایل	feature-aggregation-0.3
نام	feature-aggregation
نسخه کتابخانه	0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Despoina Paschalidou <paschalidoud@gmail.com>, Angelos Katharopoulos <katharas@gmail.com>
ایمیل نویسنده	paschalidoud@gmail.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/feature-aggregation/
مجوز	MIT

Local feature aggregation ========================= This is a library that implements methods to aggregate local features (mainly for multimedia) into a single global feature that can be used easily with any classifier. Dependencies ------------ The library depends on **scikit-learn** and all the feature aggregation methods extend the scikit-learn BaseEstimator class. Example ------- .. code:: python import numpy as np from feature_aggregation import BagOfWords, FisherVectors X = np.random.rand(1000, 2) bow = BagOfWords(10) fv = FisherVectors(10) bow.fit(X) fv.fit(X) G1 = bow.transform(np.random.rand(10, 100, 2)) G2 = fv.transform([ np.random.rand(int(np.random.rand()*100), 2) for _ in range(10) ]) A more complex example using OpenCV to extract dense SIFT and then transform them using Bag Of Words and train an SVM with chi square additive kernel. .. code:: python import numpy as np import cv2 from sklearn.datasets import fetch_olivetti_faces from sklearn.kernel_approximation import AdditiveChi2Sampler from sklearn.metrics import classification_report from sklearn.pipeline import Pipeline from sklearn.svm import LinearSVC from feature_aggregation import BagOfWords def sift(*args, **kwargs): try: return cv2.xfeatures2d.SIFT_create(*args, **kwargs) except: return cv2.SIFT() def dsift(img, step=5): keypoints = [ cv2.KeyPoint(x, y, step) for y in range(0, img.shape[0], step) for x in range(0, img.shape[1], step) ] features = sift().compute(img, keypoints)[1] features /= features.sum(axis=1).reshape(-1, 1) return features # Generate dense SIFT features faces = fetch_olivetti_faces() features = [ dsift((x.reshape(64, 64, 1)*255).astype(np.uint8)) for x in faces.data ] # Aggregate those features with bag of words using online training bow = BagOfWords(100) for i in range(2): for j in range(0, len(features), 10): bow.partial_fit(features[j:j+10]) faces_bow = bow.transform(features) # Split in training and test set train = np.arange(len(features)) np.random.shuffle(train) test = train[200:] train = train[:200] # Train and evaluate svm = Pipeline([("chi2", AdditiveChi2Sampler()), ("svm", LinearSVC(C=10))]) svm.fit(faces_bow[train], faces.target[train]) print(classification_report(faces.target[test], svm.predict(faces_bow[test])))

نیازمندی

مقدار	نام
-	scikit-learn

نحوه نصب

نصب پکیج whl feature-aggregation-0.3:

pip install feature-aggregation-0.3.whl

نصب پکیج tar.gz feature-aggregation-0.3:

pip install feature-aggregation-0.3.tar.gz