“Bag-of-Features”（特征袋模型）是一种常见的表示方法：把一段文本、图像或其他数据中提取到的“局部特征”当作一堆不考虑顺序的“词/特征”，再用它们的出现次数或统计分布来表示整体内容。常用于传统机器学习中的分类与检索（尤其在计算机视觉里也常称为“Bag of Visual Words”）。
/ˌbæɡ əv ˈfiːtʃərz/
A bag-of-features model represents an image by counting visual patterns.
特征袋模型通过统计视觉模式的出现次数来表示一张图像。
Although bag-of-features ignores spatial layout, it can still perform well for image categorization when combined with robust local descriptors and a good codebook.
尽管特征袋模型忽略空间布局，但当它与稳健的局部描述子和良好的码本结合时，仍能在图像分类任务中表现出色。
该术语类比自语言处理里的“bag-of-words（词袋模型）”。“bag（袋子）”强调把元素当作“无序的集合”来统计；“features（特征）”指从数据中提取的可用于学习与区分的信号。在计算机视觉领域，“bag-of-features”常特指把局部图像特征（如关键点描述子）量化后做频次统计的表示方式。
Select Language