傳統分割演算法缺點

1. 本人畢設做的圖像分割，現要對傳統分割演算法進行改進（也就是創新），求大神幫忙想想應該如何改進

可以給你指導 也可以給你寫這個

2. 分割市場理論的缺點

盡管分割市場理論解釋了為什麼不同到期期限的金融工具，其收益率將會有不同，但該理論有兩個缺點。一：該理論假定具有不同到期期限的金融工具不能完全互相代替，但大量的事實證明具有相似特徵的債券的收益率是一同變動的，具有很大的相關性。二：該理論沒有解釋為什麼向上傾斜的利息收益曲線是一種通常的結果，因為幾乎所有的利息收益曲線都是這種形狀。

3. 圖像分割的總結展望

對圖像分割演算法的研究已有幾十年的歷史，藉助各種理論至今已提出了上千種各種類型的分割演算法。盡管人們在圖像分割方面做了許多研究工作。但由於尚無通用分割理論，因此現已提出的分割演算法大都是針對具體問題的，並沒有一種適合於所有圖像的通用的分割演算法。但是可以看出，圖像分割方法正朝著更快速、更精確的方向發展，通過各種新理論和新技術結合將不斷取得突破和進展。

4. xgboost的優缺點是

xgboost適用場景：分類回歸問題都可以。優缺點如下：
1）在尋找最佳分割點時，考慮傳統的枚舉每個特徵的所有可能分割點的貪心法效率太低，xgboost實現了一種近似的演算法。大致的思想是根據百分位法列舉幾個可能成為分割點的候選者，然後從候選者中根據上面求分割點的公式計算找出最佳的分割點。
2）xgboost考慮了訓練數據為稀疏值的情況，可以為缺失值或者指定的值指定分支的默認方向，這能大大提升演算法的效率，paper提到50倍。
3）特徵列排序後以塊的形式存儲在內存中，在迭代中可以重復使用；雖然boosting演算法迭代必須串列，但是在處理每個特徵列時可以做到並行。
4）按照特徵列方式存儲能優化尋找最佳的分割點，但是當以行計算梯度數據時會導致內存的不連續訪問，嚴重時會導致cache miss，降低演算法效率。paper中提到，可先將數據收集到線程內部的buffer，然後再計算，提高演算法的效率。
5）xgboost 還考慮了當數據量比較大，內存不夠時怎麼有效的使用磁碟，主要是結合多線程、數據壓縮、分片的方法，盡可能的提高演算法的效率。

5. 傳統的圖像分割方法有哪些

1.基於閾值的分割方法

灰度閾值分割法是一種最常用的並行區域技術，它是圖像分割中應用數量最多的一類。閾值分割方法實際上是輸入圖像f到輸出圖像g的變化
其中，T為閾值；對於物體的圖像元素，g(i,j)=1，對於背景的圖像元素，g(i,j)=0。

由此可見，閾值分割演算法的關鍵是確定閾值，如果能確定一個適合的閾值就可准確地將圖像分割開來。閾值確定後，閾值與像素點的灰度值比較和像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。

閾值分割的優點是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合（如用於軟體實現），它得到了廣泛應用。

2.基於區域的分割方法

區域生長和分裂合並法是兩種典型的串列區域技術，其分割過程後續步驟的處理要根據前面步驟的結果進行判斷而確定。

(1)區域生長

區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然後將種子像素周圍鄰域中與種子像素有相同或相似性質的像素（根據某種事先確定的生長或相似准則來判定）合並到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。

(2)區域分裂合並

區域生長是從某個或者某些像素點出發，最後得到整個區域，進而實現目標提取。分裂合並差不多是區域生長的逆過程：從整個圖像出發，不斷分裂得到各個子區域，然後再把前景區域合並，實現目標提取。分裂合並的假設是對於一幅圖像，前景區域是由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那麼就可以判定該像素是否為前景像素。當所有像素點或者子區域完成判斷以後，把前景區域或者像素合並就可得到前景目標。

3.基於邊緣的分割方法

基於邊緣的分割方法是指通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，確定一個區域的終結，即另一個區域開始的地方。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特徵可以分割圖像。

4.基於特定理論的分割方法

圖像分割至今尚無通用的自身理論。隨著各學科新理論和新方法的提出，出現了與一些特定理論、方法相結合的圖像分割方法，主要有：基於聚類分析的圖像分割方法、基於模糊集理論的分割方法等。

5.基於基因編碼的分割方法

基於基因編碼的分割方法是指把圖像背景和目標像素用不同的基因編碼表示，通過區域性的劃分，把圖像背景和目標分離出來的方法。該方法具有處理速度快的優點，但演算法實現起來比較難。

6.基於小波變換的分割方法

小波變換是近年來得到廣泛應用的數學工具，它在時域和頻域都具有良好的局部化性質，並且小波變換具有多尺度特性，能夠在不同尺度上對信號進行分析，因此在圖像處理和分析等許多方面得到應用。

基於小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然後依據給定的分割准則和小波系數選擇閾值門限，最後利用閾值標出圖像分割的區域。整個分割過程是從粗到細，由尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，如果分割不理想，則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割。分割演算法的計算會與圖像尺寸大小呈線性變化。

7.基於神經網路的分割方法

近年來，人工神經網路識別技術已經引起了廣泛的關注，並應用於圖像分割。基於神經網路的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數，然後用決策函數對像素進行分類來達到分割的目的。這種方法需要大量的訓練數據。神經網路存在巨量的連接，容易引入空間信息，能較好地解決圖像中的雜訊和不均勻問題。選擇何種網路結構是這種方法要解決的主要問題。

6. 「DES」和「AES」演算法的比較，各自優缺點有哪些

DES演算法優點：DES演算法具有極高安全性，到目前為止，除了用窮舉搜索法對DES演算法進行攻擊外，還沒有發現更有效的辦法。

DES演算法缺點：

1、分組比較短。

2、密鑰太短。

3、密碼生命周期短。

4、運算速度較慢。

AES演算法優點：

1、運算速度快。

2、對內存的需求非常低，適合於受限環境。

3、分組長度和密鑰長度設計靈活。

4、 AES標准支持可變分組長度，分組長度可設定為32比特的任意倍數，最小值為128比特，最大值為256比特。

5、 AES的密鑰長度比DES大，它也可設定為32比特的任意倍數，最小值為128比特，最大值為256比特，所以用窮舉法是不可能破解的。

6、很好的抵抗差分密碼分析及線性密碼分析的能力。

AES演算法缺點：目前尚未存在對AES 演算法完整版的成功攻擊，但已經提出對其簡化演算法的攻擊。

(6)傳統分割演算法缺點擴展閱讀：

高級加密標准（英語：Advanced Encryption Standard，縮寫：AES），在密碼學中又稱Rijndael加密法，是美國聯邦政府採用的一種區塊加密標准。

這個標准用來替代原先的DES，已經被多方分析且廣為全世界所使用。經過五年的甄選流程，高級加密標准由美國國家標准與技術研究院（NIST）於2001年11月26日發布於FIPS PUB 197，並在2002年5月26日成為有效的標准。2006年，高級加密標准已然成為對稱密鑰加密中最流行的演算法之一。

7. RSA和DES演算法的優缺點、比較

DES演算法：

優點：密鑰較短，加密處理簡單，加解密速度快，適用於加密大量數據的場合。

缺點：密鑰單一，不能由其中一個密鑰推導出另一個密鑰。

RSA演算法：

優點：應用廣泛，加密密鑰和解密密鑰不一樣，一般加密密鑰稱為私鑰。解密密鑰稱為公鑰，私鑰加密後只能用公鑰解密,，當然也可以用公鑰加密，用私鑰解密。

缺點：密鑰尺寸大，加解密速度慢，一般用來加密少量數據，比如DES的密鑰。

(7)傳統分割演算法缺點擴展閱讀：

安全性

RSA的安全性依賴於大數分解，但是否等同於大數分解一直未能得到理論上的證明，因為沒有證明破解RSA就一定需要作大數分解。假設存在一種無須分解大數的演算法，那它肯定可以修改成為大數分解演算法。RSA 的一些變種演算法已被證明等價於大數分解。

不管怎樣，分解n是最顯然的攻擊方法。人們已能分解多個十進制位的大素數。因此，模數n必須選大一些，因具體適用情況而定。

8. 傳統優化演算法有哪些不足

(1)一般對目標函數都有較強的限制要求

9. 用於數據挖掘的分類演算法有哪些，各有何優劣

常見的機器學習分類演算法就有，不常見的更是數不勝數，那麼我們針對某個分類問題怎麼來選擇比較好的分類演算法呢？下面介紹一些演算法的優缺點：

1. 樸素貝葉斯
比較簡單的演算法，所需估計的參數很少，對缺失數據不太敏感。如果條件獨立性假設成立，即各特徵之間相互獨立，樸素貝葉斯分類器將會比判別模型，如邏輯回歸收斂得更快，因此只需要較少的訓練數據。就算該假設不成立，樸素貝葉斯分類器在實踐中仍然有著不俗的表現。如果你需要的是快速簡單並且表現出色，這將是個不錯的選擇。其主要缺點現實生活中特徵之間相互獨立的條件比較難以實現。

2. 邏輯回歸
模型訓練時，正則化方法較多，而且你不必像在用樸素貝葉斯那樣擔心你的特徵是否相關。與決策樹與支持向量機相比，邏輯回歸模型還會得到一個不錯的概率解釋，你甚至可以輕松地利用新數據來更新模型（使用在線梯度下降演算法）。如果你需要一個概率架構（比如簡單地調節分類閾值，指明不確定性，獲得置信區間），或者你以後想將更多的訓練數據快速整合到模型中去，邏輯回歸是一個不錯的選擇。

3. 決策樹
決策樹的分類過程易於解釋說明。它可以毫無壓力地處理特徵間的交互關系並且是非參數化的，因此你不必擔心異常值或者數據是否線性可分。它的一個缺點就是不支持在線學習，於是在新樣本到來後，決策樹需要全部重建。另一個缺點是容易過擬合，但這也就是諸如隨機森林（或提升樹）之類的集成方法的切入點。另外，隨機森林經常是多分類問題的贏家（通常比支持向量機好上那麼一點），它快速並且可調，同時你無須擔心要像支持向量機那樣調一大堆參數，所以隨機森林相當受歡迎。

4. 支持向量機
高准確率，為避免過擬合提供了很好的理論保證，而且就算數據在原特徵空間線性不可分，只要給個合適的核函數，它就能運行得很好。在超高維的文本分類問題中特別受歡迎。可惜內存消耗大，難以解釋，運行和調參也有些煩人，所以我認為隨機森林要開始取而代之了。

但是，好的數據卻要優於好的演算法，設計優良特徵比優良的演算法好很多。假如你有一個超大數據集，那麼無論你使用哪種演算法可能對分類性能都沒太大影響（此時就根據速度和易用性來進行抉擇）。
如果你真心在乎准確率，你一定得嘗試多種多樣的分類器，並且通過交叉驗證選擇最優。