BOW產品是基於無線網際網路的企業級套用，是飛訊傳媒專門為品牌手機廠商提供的用於提升品牌形象，提高企業競爭力和服務水平，提高銷量的整體套用解決方案。
基本介紹
- 軟體名稱：BOW
產品介紹,BOW模型,
產品介紹
BOW產品是基於無線網際網路的企業級套用，是飛訊傳媒專門為品牌手機廠商提供的用於提升品牌形象，提高企業競爭力和服務水平，提高銷量的整體套用解決方案。
該產品提供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客戶端、內容管理系統、銷量管理、結算平台、電子保卡系統等。
客戶端功能
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
電子質保卡
代替傳統紙張質保卡，智慧型詳細記錄用戶手機的保修信息，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，自定義客戶端內容，通過訂單管理能及時了解用戶購買情況，會員管理更能精確了解用戶的屬性。
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
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辭彙的集合，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。也就是說，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模型套用
現在想像在一個巨大的文檔集合D，裡面一共有M個文檔，而文檔裡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模型套用於圖像表示。為了表示一幅圖像，我們可以將圖像看作文檔，即若干個“視覺辭彙”的集合，同樣的，視覺辭彙相互之間沒有順序。
由於圖像中的辭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辭彙，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，比如說人臉，雖然說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辭彙。
而SIFT算法是提取圖像中局部不變特徵的套用最廣泛的算法，因此我們可以用SIFT算法從圖像中提取不變特徵點，作為視覺辭彙，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）
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)
根據具體套用考慮，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）
統計圖像資料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（類似於文檔檢索里的找詞根），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）
