bow

bow產品提供6套炫麗的皮膚，目前已有多家品牌手機廠商採用飛訊BOW系統。

產品主要功能包括：APP客户端、內容管理系統、銷量管理、結算平台、電子保卡系統等。

企業形象展示，產品展示、配件銷售、常見問題、電子質保卡、下載中心

代替傳統紙張質保卡，智能詳細記錄用户手機的保修信息，延保情況；後台查詢功能方便查詢保修情況和維修進度。

內容管理系統

可見即可得的後台內容管理，自定義客户端內容，通過訂單管理能及時瞭解用户購買情況，會員管理更能精確瞭解用户的屬性。

銷售管理系統

可以真實準確的統計手機的實際銷售數量，按時間和地區進行查詢，批量導入串號後可精確查詢庫存情況。

BOW模型簡介

BOW模型即是bag of words,Bag-of-words模型是信息檢索領域常用的文檔表示方法。在信息檢索中，BOW模型假定對於一個文檔，忽略它的單詞順序和語法、句法等要素，將其僅僅看作是若干個詞彙的集合，文檔中每個單詞的出現都是獨立的，不依賴於其它單詞是否出現。也就是説，文檔中任意一個位置出現的任何單詞，都不受該文檔語意影響而獨立選擇的。例如有如下兩個文檔：

1：Bob likes to play basketball, Jim likes too.

2：Bob also likes to play football games.

基於這兩個文本文檔，構造一個詞典：

Dictionary = {1:”Bob”, 2. “like”, 3. “to”, 4. “play”, 5. “basketball”, 6. “also”, 7. “football”, 8. “games”, 9. “Jim”, 10. “too”}。

這個詞典一共包含10個不同的單詞，利用詞典的索引號，上面兩個文檔每一個都可以用一個10維向量表示（用整數數字0~n（n為正整數）表示某個單詞在文檔中出現的次數）：

1：[1, 2, 1, 1, 1, 0, 0, 0, 1, 1]

2：[1, 1, 1, 1 ,0, 1, 1, 1, 0, 0]

向量中每個元素表示詞典中相關元素在文檔中出現的次數(下文中，將用單詞的直方圖表示)。不過，在構造文檔向量的過程中可以看到，我們並沒有表達單詞在原來句子中出現的次序（這是本Bag-of-words模型的缺點之一，不過瑕不掩瑜甚至在此處無關緊要）。

Bag-of-words模型應用

現在想象在一個巨大的文檔集合D，裏面一共有M個文檔，而文檔裏面的所有單詞提取出來後，一起構成一個包含N個單詞的詞典，利用Bag-of-words模型，每個文檔都可以被表示成為一個N維向量，計算機非常擅長於處理數值向量。這樣，就可以利用計算機來完成海量文檔的分類過程。

考慮將Bag-of-words模型應用於圖像表示。為了表示一幅圖像，我們可以將圖像看作文檔，即若干個“視覺詞彙”的集合，同樣的，視覺詞彙相互之間沒有順序。

由於圖像中的詞彙不像文本文檔中的那樣是現成的，我們需要首先從圖像中提取出相互獨立的視覺詞彙，這通常需要經過三個步驟：（1）特徵檢測，（2）特徵表示，（3）單詞本的生成

通過觀察會發現，同一類目標的不同實例之間雖然存在差異，但我們仍然可以找到它們之間的一些共同的地方，比如説人臉，雖然説不同人的臉差別比較大，但眼睛，嘴，鼻子等一些比較細小的部位，卻觀察不到太大差別，我們可以把這些不同實例之間共同的部位提取出來，作為識別這一類目標的視覺詞彙。

而SIFT算法是提取圖像中局部不變特徵的應用最廣泛的算法，因此我們可以用SIFT算法從圖像中提取不變特徵點，作為視覺詞彙，並構造單詞表，用單詞表中的單詞表示一幅圖像。

視覺詞袋模型（Bag of Visual Word）

Motivation

（1）紋理識別（texture recognition） ^[1] 

texton: refer to fundamental micro-structures in generic material images and the basic elements in early visual perception.

紋理是由圖像中一些基本的細小結構組成的，是早期視覺感知中的基本單元。局部的細小結構組合在一起，形成了圖像中的紋理，這與BoV的思想有相同的地方。

（2）文檔檢索（Document Retrieval）

文檔檢索基於關鍵字查詢的方法中，Bag of Words方法非常流行，其基本思想是：統計語料庫(Corpus)中的所有單詞組成單詞表，對於每一篇文檔統計其中的單詞出現的頻次，用由這些單詞頻率組成的直方圖來表示這篇文檔。

Outline

Bag of visual word類似於BoW模型，基本思想概括如下：

（1）提取特徵（Extract Features）

根據具體應用考慮，綜合考慮特徵的獨特性、提取複雜性、效果好壞，處理是否方便等選擇特徵。

（2）學習視覺詞袋（Learn Visual Vocabulary）

統計圖像數據庫中出現的所有特徵，去除冗餘組成詞袋。如果提取的圖像特徵過多，一般需要利用聚類算法先把相近的單詞歸為一類（類似於文檔檢索裏的找詞根），利用這些聚類結果來組成詞袋。

（3）利用視覺詞袋量化圖像特徵（Quantize features using visual vocabulary）

（4）利用詞頻表示圖像（Represent images by frequencies of visual words）