Xem mã nguồn của Mô hình túi từ trong thị giác máy tính

Trong '''thị giác máy tính''', '''mô hình túi từ''' ('''bag-of-words model,''' mô hình BoW) có thể được áp dụng để [[Thị giác máy tính|phân loại hình ảnh]], bằng cách coi [[Image feature|các đặc trưng của hình ảnh]] như từ ngữ. Trong phân loại văn bản, một [[Mô hình túi từ|túi các từ]] là một [[Ma trận thưa|vectơ thưa]] về số lần xuất hiện của các từ; đó là, một [[Histogram|biểu đồ]] thưa trên tập từ vựng. Trong [[thị giác máy tính]], một ''túi các từ trực quan'' là một vectơ  đếm sự xuất hiện của các đặc trưng của hình ảnh.

== Biểu diễn hình ảnh dựa trên mô hình BoW ==
Để biểu diễn một hình ảnh bằng mô hình BoW, một hình ảnh có thể được coi là một văn bản. Tương tự, "từ" trong ảnh cũng cần được định nghĩa. Để đạt được điều này, nó thường bao gồm ba bước sau: [[Feature detection (computer vision)|phát hiện]] đặc trưng, mô tả đặc trưng và tạo danh bạ.<ref name="feifeicvpr2005">{{Chú thích sách|title=A Bayesian Hierarchical Model for Learning Natural Scene Categories|last=Fei-Fei Li|last2=Perona|first2=P.|work=2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05)|year=2005|isbn=978-0-7695-2372-9|volume=2|pages=524|doi=10.1109/CVPR.2005.16}}</ref> Một định nghĩa của mô hình BoW có thể là "biểu diễn biểu đồ dựa trên các đặc trưng độc lập với nhau".<ref name="cvprcourse">
{{Chú thích web|url=http://people.csail.mit.edu/torralba/shortCourseRLOC/index.html|title=Recognizing and Learning Object Categories, CVPR 2007 short course|author=L. Fei-Fei|author2=R. Fergus|author3=A. Torralba|name-list-style=amp}}
</ref> Lập chỉ mục và truy xuất hình ảnh dựa trên nội dung (CBIR) có thể coi là phương pháp áp dụng sớm kỹ thuật biểu diễn hình ảnh này.<ref>{{Chú thích tạp chí|last=Qiu|first=G.|year=2002|title=Indexing chromatic and achromatic patterns for content-based colour image retrieval|url=http://www.cs.nott.ac.uk/~qiu/webpages/Papers/ColorPatternRecognition.pdf|journal=Pattern Recognition|volume=35|issue=8|pages=1675–1686|doi=10.1016/S0031-3203(01)00162-5}}</ref>

=== Biểu diễn lại đặc trưng ===
Sau khi phát hiện đặc trưng, mỗi hình ảnh được trừu tượng hóa bằng một số bản mẫu cục bộ. Các phương thức biểu diễn lại đặc trưng liên quan đến cách biểu diễn lại các bản mẫu dưới dạng các vectơ số. Các vectơ này được gọi là một mô tả đặc trưng. Một mô tả tốt nên có khả năng xử lý các thay đổi về cường độ, xoay, thu phóng và [[biến đổi afin]] ở một mức độ nào đó. Một trong những mô tả nổi tiếng nhất là [[Scale-invariant feature transform|biến đổi đặc trưng bất biến tỷ lệ]] (SIFT).<ref name="Loweiccv1999">{{Chú thích sách|title=Proceedings Ninth IEEE International Conference on Computer Vision|last=Vidal-Naquet|last2=Ullman|year=1999|isbn=978-0-7695-1950-0|pages=1150–1157|chapter=Object recognition with informative features and linear classification|citeseerx=10.1.1.131.1283|doi=10.1109/ICCV.2003.1238356|chapter-url=http://www.cs.ubc.ca/~lowe/papers/iccv99.pdf}}</ref> SIFT chuyển đổi từng bản mẫu thành vector 128 chiều. Sau bước này, mỗi hình ảnh là một tập hợp các vectơ có cùng kích thước (128 cho SIFT), thứ tự của các vectơ không quan trọng.

=== Tạo danh bạ ===
Bước cuối cùng cho mô hình BoW là chuyển đổi các bản mẫu được biểu thị bằng vector thành "từ mã" (tương tự như các từ trong tài liệu văn bản), tạo ra một "tư điển các từ mã" (tương tự như một từ điển các từ trong văn bản). Một từ mã có thể được coi là một đại diện của một số bản mẫu tương tự. Một phương pháp đơn giản là thực hiện [[phân cụm k-means]] trên tất cả các vectơ.<ref>{{Chú thích tạp chí|last=T. Leung|last2=J. Malik|author-link2=Jitendra Malik|year=2001|title=Representing and recognizing the visual appearance of materials using three-dimensional textons|url=http://www.cs.berkeley.edu/~malik/papers/LM-3dtexton.pdf|journal=International Journal of Computer Vision|volume=43|issue=1|pages=29–44|doi=10.1023/A:1011126920638}}</ref> Từ mã sau đó được định nghĩa là tâm của các cụm được tạo ra. Số lượng các cụm là kích thước danh bạ (tương tự như kích thước của từ điển).

Do đó, mỗi bản mẫu trong một hình ảnh được ánh xạ tới một từ mã nhất định thông qua quá trình phân cụm và hình ảnh có thể được biểu thị bằng [[Histogram|biểu đồ]] của từ mã.

== Học hỏi và nhận dạng dựa trên mô hình BoW ==
Các nhà nghiên cứu thị giác máy tính đã phát triển một số phương pháp học tập để thúc đẩy mô hình BoW cho các nhiệm vụ liên quan đến hình ảnh, chẳng hạn như [[Object categorization|phân loại đối tượng]]. Những phương pháp này đại khái có thể được chia thành hai loại, mô hình khái quát và mô hình điều kiện. Đối với vấn đề phân loại nhiều nhãn, [[Confusion matrix|ma trận nhầm lẫn]] có thể được sử dụng làm số liệu đánh giá.

=== Mô hình khái quát  ===
Dưới đây là một số ký hiệu cho phần này. Giả sử kích thước của danh bạ là <math>V</math>.<span></span>

*<math>w</math>: từng bản mẫu  <math>w</math> là một vectơ V chiều <span></span>có một thành phần duy nhất bằng một và tất cả các thành phần k<span></span>hác bằng 0 (Đối với cài đặt phân cụm k-means, thành phần đơn bằng một chỉ ra cụm  <math>w</math>  thuộc về). Các <math>v</math> từ mã trong từ điển từ mã có thể được biểu diễn dưới dạng   <math>w^v=1</math>  và   <math>w^u = 0</math>  cho   <math>u\neq v</math>.
*<math>\mathbf{w}</math>:<span></span> mỗi hình ảnh được đại diện bởi  <math>\mathbf{w}=[w_1, w_2, \cdots, w_N]</math>, tất cả <span></span>các bản mẫu tron<span></span>g một hình ảnh
*<math>d_j</math>: hình ảnh thứ <math>j</math>  trong một bộ sưu tập hình ảnh
*<math>c</math>: thể loại của hình ảnh
*<math>z</math>: <span></span>chủ đ<span></span>ề của bản vá
*<math>\pi</math>: tỷ lệ hỗn<span></span> hợp

Do mô hình B<span></span>oW<span></span> tương<span></span> tự như mô hình BoW trong xử lí ngôn ngữ tự nhiên, các mô hình khái quát được phát triển cho văn bản cũng có thể được điều chỉn<span></span>h trong thị giác máy tính. Mô hình Naïve Bayes đơn giản và mô hình Bayes phân<span></span> cấp được thảo luận.

==== Naïv<span></span>e Bayes ====
Đơn giản nhất là phân loại [[Naïve Bayes]]. Sử dụng ngôn ngữ của [[Mô hình xác suất dạng đồ thị|các mô hình đồ họa]], trình phân loại Naïve Bayes được mô tả theo phương trình dưới đây. Ý tưởng cơ bản (hoặc giả định) của mô hình này là mỗi loại có phân phối riêng của nó trên từ điển từ mã và các phân phối của mỗi loại có quan sát khác nhau. Lấy thể loại khuôn mặt và thể loại xe hơi làm ví dụ. Thể loại khuôn mặt có thể nhấn mạnh các từ mã đại diện cho "mũi", "mắt" và "miệng", trong khi thể loại xe hơi có thể nhấn mạnh các từ mã đại diện cho "bánh xe" và "cửa sổ". Đưa ra một tập hợp các ví dụ đào tạo, bộ phân loại học các phân phối khác nhau cho các loại khác nhau. Quyết định phân loại vào các thể loại

:<math>c^*=\arg \max_c p(c|\mathbf{w}) = \arg \max_c p(c)p(\mathbf{w}|c)=\arg \max_c p(c)\prod_{n=1}^Np(w_n|c)</math>

Do phân loại Naïve Bayes đơn giản nhưng hiệu quả, nó thường được sử dụng làm phương pháp cơ sở để so sánh.

==== Mô hình Bayes phân cấp ====
Giả định cơ bản của mô hình Naïve Bayes đôi khi không giữ được. Ví dụ, một hình ảnh cảnh thiên nhiên có thể chứa một số chủ đề khác nhau. [[Probabilistic latent semantic analysis|Phân tích ngữ nghĩa tiềm ẩn xác suất]] (pLSA) <ref name="Chú thích hội nghị"/><ref>{{Chú thích sách|title=Tenth IEEE International Conference on Computer Vision (ICCV'05) Volume 1|last=Sivic|first=J.|last2=Russell|first2=B.C.|last3=Efros|first3=A.A.|last4=Zisserman|first4=A.|last5=Freeman|first5=W.T.|year=2005|isbn=978-0-7695-2334-7|pages=370|chapter=Discovering objects and their location in images|citeseerx=10.1.1.184.1253|doi=10.1109/ICCV.2005.77|chapter-url=http://www.robots.ox.ac.uk/~vgg/publications/papers/sivic05b.pdf|access-date=2019-05-17|archive-date=2020-01-31|archive-url=https://web.archive.org/web/20200131172436/http://www.robots.ox.ac.uk/~vgg/publications/papers/sivic05b.pdf}}</ref> và [[Latent Dirichlet allocation|phân bố Dirichlet tiềm ẩn]] (LDA) <ref name="bleijmlr2003">{{Chú thích tạp chí|last=D. Blei|last2=A. Ng|last3=M. Jordan|name-list-style=amp|year=2003|editor-last=Lafferty|editor-first=John|title=Latent Dirichlet allocation|url=http://www.cs.princeton.edu/~blei/papers/BleiNgJordan2003.pdf|url-status=dead|journal=Journal of Machine Learning Research|volume=3|issue=4–5|pages=993–1022|doi=10.1162/jmlr.2003.3.4-5.993|archive-url=https://web.archive.org/web/20080822212053/http://www.cs.princeton.edu/~blei/papers/BleiNgJordan2003.pdf|archive-date = ngày 22 tháng 8 năm 2008 |access-date = ngày 10 tháng 12 năm 2007}}</ref> là hai mô hình chủ đề phổ biến từ các văn bản để giải quyết vấn đề "chủ đề" tương tự. Lấy LDA làm ví dụ. Để mô hình hóa hình ảnh cảnh thiên nhiên bằng LDA, một cách tương tự với phân tích văn bản được thực hiện:

* thể loại hình ảnh được ánh xạ đến thể loại tài liệu; 
* tỷ lệ hỗn hợp của các chủ đề ánh xạ tỷ lệ hỗn hợp của các chủ đề; 
* chỉ mục chủ đề được ánh xạ tới chỉ mục chủ đề; 
* từ mã được ánh xạ tới từ.

Phương pháp này cho thấy kết quả rất hứa hẹn trong phân loại cảnh thiên nhiên trên [http://vision.stanford.edu/resources_links.html 13 Danh mục cảnh thiên nhiên].<ref name="feifeicvpr2005"/>

=== Mô hình điều kiện ===
Vì hình ảnh được biểu diễn dựa trên mô hình BoW, bất kỳ mô hình điều kiện nào phù hợp với phân loại tài liệu văn bản đều có thể được thử, chẳng hạn như [[máy vectơ hỗ trợ]] (SVM) <ref name="Chú thích hội nghị"/> và [[AdaBoost]].<ref>{{Chú thích sách|title=2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05)|last=Serre|first=T.|last2=Wolf|first2=L.|last3=Poggio|first3=T.|year=2005|isbn=978-0-7695-2372-9|volume=2|pages=994|chapter=Object Recognition with Features Inspired by Visual Cortex|citeseerx=10.1.1.71.5276|doi=10.1109/CVPR.2005.254|chapter-url=http://cbcl.mit.edu/projects/cbcl/publications/ps/serre-PID73457-05.pdf|access-date = ngày 17 tháng 5 năm 2019 |archive-date = ngày 6 tháng 7 năm 2017 |archive-url=https://web.archive.org/web/20170706051952/http://cbcl.mit.edu/projects/cbcl/publications/ps/serre-PID73457-05.pdf}}</ref> [[Kernel trick|Thủ thuật kernel]] cũng được áp dụng khi phân loại dựa trên kernel được sử dụng, chẳng hạn như SVM. Hạt nhân hình kim tự tháp được phát triển mới dựa trên mô hình BoW. Cách tiếp cận đặc trưng cục bộ của việc sử dụng biểu diễn mô hình BoW được học bởi các bộ phân loại học máy với các hạt nhân khác nhau (ví dụ: hạt nhân EMD và   <math>X^2</math>  kernel) đã được thử nghiệm rất nhiều trong lĩnh vực nhận dạng kết cấu và đối tượng.<span></span> <ref name="bogkernelijcv2007">{{Chú thích tạp chí|last=Jianguo Zhang|last2=Marcin Marszałek|last3=Svetlana Lazebnik|last4=Cordelia Schmid|year=2007|title=Local Features and Kernels for Classification of Texture and Object Categories: a Comprehensive Study|url=http://lear.inrialpes.fr/pubs/2007/ZMLS07/ZhangMarszalekLazebnikSchmid-IJCV07-ClassificationStudy.pdf|journal=International Journal of Computer Vision|volume=73|issue=2|pages=213–238|doi=10.1007/s11263-006-9794-4|access-date=2019-05-17|archive-date=2018-04-13|archive-url=https://web.archive.org/web/20180413020221/http://lear.inrialpes.fr/pubs/2007/ZMLS07/ZhangMarszalekLazebnikSchmid-IJCV07-ClassificationStudy.pdf}}</ref> Kết quả rất hứa hẹn trên một số bộ dữ liệu đã được báo cáo. Cách tiếp cận này <ref name="bogkernelijcv2007" /> đã đạt được kết quả rất ấn tượng trong [http://www.pascal-network.org/challenges/VOC/ Thử thách các lớp đối tượng trực quan PASCAL] {{Webarchive|url=https://web.archive.org/web/20071029215514/http://www.pascal-network.org/challenges/VOC/ |date = ngày 29 tháng 10 năm 2007}}.<span></span>
==== Hạt nhân hình kim tự tháp ====
Hạt nhân hình kim tự tháp <ref name="pyramidiccv2005">{{Chú thích sách|title=Tenth IEEE International Conference on Computer Vision (ICCV'05) Volume 1|last=Grauman|first=K.|last2=Darrell|first2=T.|year=2005|isbn=978-0-7695-2334-7|pages=1458|chapter=The pyramid match kernel: discriminative classification with sets of image features|citeseerx=10.1.1.644.6159|doi=10.1109/ICCV.2005.239|chapter-url=http://www.cs.utexas.edu/~grauman/papers/grauman_darrell_iccv2005.pdf}}</ref> là một thuật toán nhanh (độ phức tạp tuyến tính thay vì hàm cổ điển với độ phức tạp bậc hai) (thỏa mãn [[Mercer's condition|điều kiện của Mercer]]) để ánh xạ các đặc trưng của BoW, hoặc tập hợp các đặc trưng theo chiều cao, thành biểu đồ đa độ phân giải đa chiều. Một lợi thế của các biểu đồ đa độ phân giải này là khả năng nắm bắt, xử lí các đặc trưng cùng xảy ra. Hạt nhân hình kim tự tháp xây dựng biểu đồ đa độ phân giải bằng cách ghép các điểm dữ liệu vào các vùng riêng biệt có kích thước tăng dần. Do đó, các điểm không khớp ở độ phân giải cao có cơ hội khớp ở độ phân giải thấp. Hạt nhân hình kim tự tháp thực hiện khớp tương tự gần đúng, không cần tìm kiếm chính xác hoặc tính toán khoảng cách. Thay vào đó, nó giao cắt các biểu đồ để xấp xỉ đến khớp tối ưu. Theo đó, thời gian tính toán chỉ là tuyến tính trong số lượng các đặc trưng. So với các cách tiếp cận hạt nhân khác, hạt nhân hình kim tự tháp nhanh hơn nhiều, nhưng cung cấp độ chính xác tương đương. Hạt nhân hình với kim tự tháp đã được áp dụng cho [https://web.archive.org/web/20080124115650/http://www.mis.informatik.tu-darmstadt.de/Research/Projects/categorization/eth80-db.html cơ sở dữ liệu ETH-80] và [https://web.archive.org/web/20080124115650/http://www.mis.informatik.tu-darmstadt.de/Research/Projects/categorization/eth80-db.html cơ sở dữ liệu] [https://web.archive.org/web/20080121104826/http://vision.cs.princeton.edu/resources_links.html Caltech 101] với kết quả đầy hứa hẹn.<ref name="pyramidiccv2005" /><ref>{{Chú thích sách|title=2009 IEEE Conference on Computer Vision and Pattern Recognition|last=Jianchao Yang|last2=Kai Yu|last3=Yihong Gong|last4=Huang|first4=T.|year=2009|isbn=978-1-4244-3992-8|pages=1794|chapter=Linear spatial pyramid matching using sparse coding for image classification|doi=10.1109/CVPR.2009.5206757|chapter-url=http://www.ifp.illinois.edu/~jyang29/ScSPM.htm|access-date = ngày 17 tháng 5 năm 2019 |archive-date = ngày 20 tháng 3 năm 2019 |archive-url=https://web.archive.org/web/20190320012627/http://www.ifp.illinois.edu/~jyang29/ScSPM.htm}}</ref>

== Hạn chế và phát triển gần đây ==
Một trong những nhược điểm hiển nhiên của BoW là nó bỏ qua các mối quan hệ không gian giữa các bản mẫu, điều này rất quan trọng trong việc biểu diễn hình ảnh. Các nhà nghiên cứu đã đề xuất một số phương pháp để kết hợp thông tin không gian. Đối với những cải tiến mức độ đặc trưng, đặc trưng [[correlogram]]  có thể lưu lại không gian đồng xuất hiện của các đặc trưng khác.<ref>{{Chú thích sách|title=2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition - Volume 2 (CVPR'06)|last=Savarese|first=S.|last2=Winn|first2=J.|last3=Criminisi|first3=A.|year=2006|isbn=978-0-7695-2597-6|volume=2|pages=2033|chapter=Discriminative Object Class Models of Appearance and Shape by Correlatons|citeseerx=10.1.1.587.8853|doi=10.1109/CVPR.2006.102|chapter-url=http://johnwinn.org/Publications/papers/Savarese_Winn_Criminisi_Correlatons_CVPR2006.pdf|access-date = ngày 17 tháng 5 năm 2019 |archive-date = ngày 29 tháng 10 năm 2013 |archive-url=https://web.archive.org/web/20131029185403/http://johnwinn.org/Publications/papers/Savarese_Winn_Criminisi_Correlatons_CVPR2006.pdf}}</ref> Đối với các mô hình khái quát, các vị trí tương đối <ref name="Chú thích hội nghị"/><ref>{{Chú thích sách|title=Tenth IEEE International Conference on Computer Vision (ICCV'05) Volume 1|last=Sudderth|first=E.B.|last2=Torralba|first2=A.|last3=Freeman|first3=W.T.|last4=Willsky|first4=A.S.|year=2005|isbn=978-0-7695-2334-7|pages=1331|chapter=Learning hierarchical models of scenes, objects, and parts|citeseerx=10.1.1.128.7259|doi=10.1109/ICCV.2005.137|chapter-url=http://ssg.mit.edu/~esuddert/papers/iccv05.pdf|access-date=2019-05-17|archive-date=2019-02-03|archive-url=https://web.archive.org/web/20190203220118/http://ssg.mit.edu/~esuddert/papers/iccv05.pdf}}</ref> của từ mã cũng được tính đến. Hình dạng phân cấp và mô hình xuất hiện cho hành động của con người <ref>{{Chú thích sách|title=2007 IEEE Conference on Computer Vision and Pattern Recognition|last=Niebles|first=Juan Carlos|last2=Li Fei-Fei|year=2007|isbn=978-1-4244-1179-5|pages=1|chapter=A Hierarchical Model of Shape and Appearance for Human Action Classification|citeseerx=10.1.1.173.2667|doi=10.1109/CVPR.2007.383132|chapter-url=http://vision.stanford.edu/posters/NieblesFeiFei_CVPR07_poster.pdf}}</ref> giới thiệu một lớp phần mới ([[Constellation model|mô hình Chòm sao]]) giữa tỷ lệ hỗn hợp và các tính năng BoW, nắm bắt các mối quan hệ không gian giữa các phần trong lớp. Đối với các mô hình điều kiện,  kim tự tháp không gian <ref>{{Chú thích sách|title=2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition - Volume 2 (CVPR'06)|last=Lazebnik|first=S.|last2=Schmid|first2=C.|last3=Ponce|first3=J.|year=2006|isbn=978-0-7695-2597-6|volume=2|pages=2169|chapter=Beyond Bags of Features: Spatial Pyramid Matching for Recognizing Natural Scene Categories|citeseerx=10.1.1.651.9183|doi=10.1109/CVPR.2006.68|chapter-url=http://www-cvr.ai.uiuc.edu/ponce_grp/publication/paper/cvpr06b.pdf|access-date = ngày 17 tháng 5 năm 2019 |archive-date = ngày 8 tháng 5 năm 2018 |archive-url=https://web.archive.org/web/20180508181616/http://www-cvr.ai.uiuc.edu/ponce_grp/publication/paper/cvpr06b.pdf}}</ref> được thực hiện so khớp bằng cách phân vùng hình ảnh thành các tiểu vùng càng nhỏ càng tốt và tính toán biểu đồ của các đặc trưng  cục bộ bên trong mỗi tiểu vùng. Gần đây, một sự gia tăng của các mô tả hình ảnh địa phương (tức là [[Scale-invariant feature transform|SIFT]]) bằng tọa độ không gian của chúng được chuẩn hóa theo [[chiều rộng]] và chiều cao của hình ảnh đã được chứng minh là cách tiếp cận Mã hóa tọa độ không gian mạnh mẽ và đơn giản <ref name="koniusz2013">{{Chú thích tạp chí|last=Koniusz|first=Piotr|last2=Yan|first2=Fei|last3=Mikolajczyk|first3=Krystian|date = ngày 1 tháng 5 năm 2013 |title=Comparison of mid-level feature coding approaches and pooling strategies in visual concept detection|journal=Computer Vision and Image Understanding|volume=117|issue=5|pages=479–492|doi=10.1016/j.cviu.2012.10.010|issn=1077-3142}}</ref><ref name="koniusz2017">{{Chú thích tạp chí|last=Koniusz|first=Piotr|last2=Yan|first2=Fei|last3=Gosselin|first3=Philippe Henri|last4=Mikolajczyk|first4=Krystian|date = ngày 24 tháng 2 năm 2017 |title=Higher-order occurrence pooling for bags-of-words: Visual concept detection|journal=IEEE Transactions on Pattern Analysis and Machine Intelligence|volume=39|issue=2|pages=313–326|doi=10.1109/TPAMI.2016.2545667|issn=0162-8828|pmid=27019477}}</ref> giúp giới thiệu thông tin không gian cho mô hình BoW.

Mô hình BoW chưa được thử nghiệm rộng rãi cho quan điểm bất biến và bất biến tỷ lệ, và hiệu suất không rõ ràng. Ngoài ra, mô hình BoW cho phân tách đối tượng và khu vực hóa không được nghiên cứu rõ ràng.<ref name="cvprcourse"/>

Một so sánh có hệ thống các đường ống phân loại cho thấy việc mã hóa số liệu thống kê thứ tự thứ nhất và thứ hai (Vector của mô tả tổng hợp cục bộ (VLAD) <ref>{{Chú thích sách|title=Aggregating local descriptors into a compact image representation|last=Jégou|first=H.|last2=Douze|first2=M.|last3=Schmid|first3=C.|last4=Pérez|first4=P.|date = ngày 1 tháng 6 năm 2010 |work=2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition|isbn=978-1-4244-6984-0|pages=3304–3311|doi=10.1109/CVPR.2010.5540039}}</ref> và [[Fisher kernel|Fisher Vector (FV)]]) tăng đáng kể độ chính xác phân loại so với BoW, đồng thời giảm kích thước danh bạ, do đó làm giảm chi phí tính toán cho việc tạo codebook.<ref>{{Chú thích tạp chí|last=Seeland|first=Marco|last2=Rzanny|first2=Michael|last3=Alaqraa|first3=Nedal|last4=Wäldchen|first4=Jana|last5=Mäder|first5=Patrick|date = ngày 24 tháng 2 năm 2017 |title=Plant species classification using flower images—A comparative study of local feature representations|journal=PLOS ONE|volume=12|issue=2|pages=e0170629|doi=10.1371/journal.pone.0170629|issn=1932-6203|pmc=5325198|pmid=28234999}}</ref> Hơn nữa, một so sánh chi tiết gần đây về các phương pháp mã hóa và gộp chung <ref name="koniusz2017"/> cho BoW đã chỉ ra rằng số liệu thống kê thứ hai kết hợp với [[Sparse approximation|Mã hóa thưa]]  và một nhóm thích hợp như Power bình thường hóa có thể vượt trội hơn so với Fisher vectơ và thậm chí tiếp cận kết quả của các mô hình đơn giản của [[Convolutional Neural Network|Mạng thần kinh tích chập]]  đơn giản trên một số bộ dữ liệu nhận dạng đối tượng như [[List of datasets for machine learning research|Oxford Flower Dataset 102]].

== Xem thêm ==

* [[Part-based models|Mô hình dựa trên một phần]] 
* [[Fisher kernel|Mã hóa Fisher Vector]] 
* [[Segmentation-based object categorization|Phân loại đối tượng dựa trên phân khúc]] 
* [[Vector space model|Mô hình không gian vector]] 
* [[Mô hình túi từ]] 
* [[Feature extraction|Trích xuất đặc trưng]]

==Tham khảo==
{{Tham khảo}}

== Liên kết ngoài ==

* [http://people.csail.mit.edu/fergus/iccv2005/bagwords.html Một bản trình diễn cho hai phân loại túi từ] của L. Fei-Fei, R. Fergus và A. Torralba. 
* [https://web.archive.org/web/20101203074412/http://www.vision.caltech.edu/malaa/software/research/image-search/ Hộp công cụ tìm kiếm hình ảnh quy mô lớn của Caltech]: [https://web.archive.org/web/20101203074412/http://www.vision.caltech.edu/malaa/software/research/image-search/ hộp công cụ] Matlab / C ++ thực hiện tìm kiếm tệp đảo ngược cho mô hình Bag of Words. Nó cũng chứa các triển khai để tìm kiếm hàng xóm gần đúng nhanh nhất bằng cách sử dụng [[K-d tree|cây k-d]] ngẫu nhiên, [[Locality-sensitive hashing|băm nhạy cảm cục bộ]] và  [[Hierarchical k-means|k-means phân cấp]]. 
* [https://github.com/dorian3d/DBoW2 Thư viện DBoW2]: một thư viện triển khai một túi từ nhanh trong C ++ với sự hỗ trợ cho [[OpenCV]].

[[Thể loại:Máy tính]]
[[Thể loại:Nhận dạng mẫu]]