《Aggregating local descriptors into a compact image representation》论文笔记
这篇论文中提出了一种新的图片表示方法，也就是VLAD特征，并把它用于大规模图片检索中，得到了很好的实验结果。
目前，BOF在图片检索和分类中应用广泛，首先是因为BOF是基于比较powerful的local特征(如SIFT)得来的，所以表达能力很强；其次是因为计算BOF过程中用到的kmeans也是根据样本在样本空间的距离来聚类的，所以，BOF也可以输入SVM这类基于样本间隔的分类器得到较好的效果。但是在数据量很大的情况下，由于vocabulary大小的限制，BOF的特征表达会越来越粗略，特征信息损失较多，使得搜索精度降低。
这篇论文在大数据量的图片搜索问题上，做了3方面的优化：
1，优化特征表示方法，使用VLAD特征；
2，对降维方法(PCA)做改进
3，对索引方法(ADC)做改进
论文的主要贡献有2个：
1，基于BOF和Fisher vector这这两种聚合local特征的方法提出了VLAD特征；
(
BOF详细内容见：http://blog.csdn.net/happyer88/article/details/
Fisher vector详细内容见：http://blog.csdn.net/happyer88/article/details/
)
2，对降维方法和索引方法做优化，而这两个优化是trade-off的，也就是此消彼长的关系，所以，论文中通过大量实验得到一个平衡值。
VLAD: vector of locally aggregated descriptors
要在大数据量的图片中搜索图像，对图片集中的每幅图片，首先是要提取VLAD特征，把每幅图片表示成一个VLAD向量v：
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/123608.html