embeddings（嵌入） 是一种将数据从原始空间映射到低维向量空间的表示方法。这些低维向量通常能够捕捉数据的重要特征和语义信息，同时减少数据的维度，便于模型处理和学习。
Embeddings的主要特点
-
低维表示：将高维数据（如图像像素、单词等）映射到低维空间，减少计算成本。
-
语义信息：嵌入向量通常能够捕捉数据的语义或特征信息，使得相似的数据在嵌入空间中更接近。
-
可学习性：嵌入通常是通过神经网络或其他模型学习得到的，可以根据任务需求进行优化。
常见的Embeddings类型
-
图像嵌入（Image Embeddings）：
-
在计算机视觉中，图像嵌入将图像映射到低维向量空间。例如，通过卷积神经网络（CNN）提取的特征向量可以作为图像嵌入。
-
应用：图像分类、目标检测、图像检索等。
-
-
像素嵌入（Pixel Embeddings）：
-
在语义分割等任务中，像素嵌入将图像中的每个像素映射到低维向量空间。这些嵌入可以捕捉像素之间的语义关系，帮助模型更好地理解图像内容。
-
应用：语义分割、实例分割等。
-
