分类与检索

以下纯属个人见解，如有理解错误，请批评指正

分类和检索的区别

我感觉图像分类和图像检索都可以分为两部分：图像分类分为特征学习+分类器学习，图像

检索分为特征学习+度量学习。最初的图像分类可能是自己设计认为对区分类别有帮助的

特征，然后用分类器去分类，通过调整分类器的参数对图像进行分类。后来，也可以学习特

征，也就是根据分类器的性能学习好的特征表示，同时也可实现对图像更好的分类。而图像

检索也可以自主设计特征，然后通过不同的相似性度量，检索出跟查询图像最相似的图像。

或者学习特征，也就是根据检索的结果对特征进行调整，以得到更好的特征表示以及检索性

能。拿有监督的图像分类来说（LDA、SVM、ANN、贝叶斯和决策树），训练集上的数据是已

经知道类别了，计算机需要学习出一个分类模型（包括特征和分类算法），然后测试集只负

责验证分类模型的分类性能。而对于检索任务来说，是要拿一个实例，去已知的库里边找到

相似的图像。库里边的数据可以没有标记，而计算机只需要通过相似性度量，找出和查询图

像相似的就可以。或者通过学习的方法，给定数据库中数据的类别，然后从数据库中取出一

个图像作为查询图像，然后学习一个检索模型（包括特征和距离度量），然后再用不知道类

别的查询图像去测试检索模型的性能。

所以，图像分类是学习一个分类模型（包括特征和分类算法），而图像检索是学习一个检索

模型（包括特征和相似性度量）。

 

那可不可以基于分类结果去检索呢？就是说先训练一个好的分类模型，然后对新来的查询图

像进行分类，分为哪一类，就把那一类的图像作为检索出来的图像。

个人觉得分为两种情况。

第一种，分类好之后，检索时，只在属于的子类上检索。这肯定是好的。

第二种，分类好之后，检索时，还是在全集上做检索，这是不好的。因为比如对于SVM分

类器来说，分类结果不错。那么对于支持向量来说，和它属于同一类的图像未必是和它离的

最近的，有可能和它距离上最近的是另外一个类的支持向量。所以，这种情况下，对于不是

以距离度量为分类指导条件的分类器，不能用于图像检索。

 

那么反过来呢？对于一个图像来说，和它距离最近的图像可不可以和它作为同一类呢？

个人觉得这是可以的。因为这相当于训练了一个基于距离度量的分类器。