8、计算机视觉与无监督学习：图像分割与机器人控制的融合探索

计算机视觉与无监督学习：图像分割与机器人控制的融合探索

1. 计算机视觉中的近邻搜索方法

在计算机视觉领域，高效的近邻搜索对于图像检索和目标识别至关重要。目前有多种方法被用于实现这一目标，但每种方法都有其优缺点。
- 随机化Kd树（Randomized Kd - trees） ：在目标识别中取得了一定的成功。然而，对于高维高度稀疏的数据，其不平衡的性质会导致强制创建空的或近乎空的叶子节点和节点，从而显著降低性能。
- 随机决策树（Randomized decision trees） ：能够提供对数时间编码。但在计算分裂标准时，它仅使用一个或几个属性，并且树的每条路径通常只访问少数特征维度。
- 词汇树（Vocabulary tree） ：与决策树不同，词汇树使用所有属性，但对于非常大的数据库，其检索速度较慢。
- 可扩展词汇树（Scalable Vocabulary Tree，SVT） ：通过重复的分层K - means聚类构建，可提高检索准确性和效率。但由于高维空间的“维度灾难”问题，在高维描述符空间中难以加速。

为了部分解决这些问题，提出了k - 路随机量化树（k - way random quantization tree，QT）方法。该方法基于词汇树的概念，但有重要的变化。其构建过程如下：
1. 第一层 ：只有一个节点，即树的根节点。
2. 第二层 ：从整个数据库中随机选择一组k个代表性模式作为聚类中心。然后