本文介绍了汉明嵌入（Hamming Embedding）在解决SIFT结合BOF模型时聚类中心选择的问题。通过使用较小的K值进行预聚类，然后计算64维二进制特征向量并利用汉明距离进行匹配，有效地处理了特征匹配和分数计算。文章详细阐述了如何从128维SIFT向量生成64维二进制向量的过程，包括随机矩阵生成、正交投影、中值计算等步骤，并指出这种方法在图像检索中的性能提升。
参考文献 Hamming Embedding and Weak Geometric Consistency for Large Scale Image Search
在SIFT结合BOF模型中，如果聚类时聚类中心数量选择过大或过小，都会造成一定的问题。
如图所示，红色的方框表示一个特征，红色的叉表示该特征的各种噪音版本，本质上应该是一类特征。如果K选择过大（左图），则会对特征分得过细，导致这些噪音特征分到不同的聚类中心中；如果k选择过小（右图），则降低了BOF的描述能力，使得很多本来不是同一类的特征也被分到了一个聚类空间中。那么有没有一种方法既不让噪音版本分到不同的聚类中心去，又保证了BOF的描述能力不下降呢？
在K-MEANS时我们选择较小的k，形成比较粗糙的字典，在匹配时对每个聚类中心里的点再继续细分，具体的，给每个点赋予一个新的64维特征向量，该向量的每一个维度取值只能是0或1的binary，然后计算两两特征之间的汉明距离，如果汉明距离小于一个阈值则认为这两个向量属于同一类。汉明距离的计算公式如下：
x,y分别是在BOF里属于同一个聚类中心的点，然后对它们的新特征计算汉明距离，如果h小于一个阈值（经验上为22）则认为x和y两个特征是匹配的。它们的匹配分数可以计算为
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
