BOW（Bag of Words）词袋模型理解

基本词袋模型：

词袋模型的提出是为了解决文档分类，例如一个文员收到一个任务：把手里的共计10M的公司不同部门的相关工作文件进行归档分类，分别为财务部、公关部、市场部、管理层等四个部门，那么应该怎么做呢？

具体方法为：假设财务部的文件用“金额数目”表示，公关部用“客户数字”表示，市场部用“竞争对手”表示，管理层用“上市情况”表示。那么，我们依次将所有字体组合得到“金额数目客户字竞争对手上市情况”中字体依次用数字表示得到“0123456789abcde”一个15维的向量，那么不同部门文件分别可以表示为“111100000000000”、“001011100000000”等不同分布的特征向量，这样经过对训练数据进行特征表示方法学习，得到特征表示模型，输入新的文件时可以得到相应的特征表示，合理设计分类器既可以快速准确的将该文档进行归类。

那么，当将用于文档检索的磁带模型转移到视觉任务中需要怎么做呢？