论文阅读《Hamming embedding and weak geometric consistency for large scale image search》

最新推荐文章于 2022-09-15 10:56:37 发布

原创

最新推荐文章于 2022-09-15 10:56:37 发布 · 2.2k 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#图片搜索 #descriptor #BOW

本文探讨了如何使用Hamming嵌入和弱几何一致性来处理大规模图像搜索问题。通过k-means聚类形成视觉词典，将图像表示为视觉词的频率直方图。为了提高搜索效率，采用正交矩阵对描述符进行投影并进行二进制量化，以实现基于汉明距离的快速匹配。弱几何一致性原理认为，相似物体经过旋转和缩放后，对应区域的变换保持一致，有助于提高匹配精度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Reference

我的理解

图片搜索：利用BOW进行图片搜索的一般思路是，对database中的每张图片的关键点所在区域计算SIFT，然后对SIFT进行k-means聚类，若k较小，量化误差会较大，相关性较弱的descriptor会落在同一个cell；若k较大，则出现descriptor noise，相关性较强的descriptor落入不同cell。聚类和得到一个有visual word组成的codebook，对每张图片的每个SIFT进行最近邻统计从而得到每张图片关于codebook中visual word 出现频率的统计直方图。图片搜索的最终要求是判断两张图片的距离，这样直接通过比较两个图片之间SIFT集合之间的距离就可以了，可以简化为计算计算直方图之间的距离嘛。（说得真是不清不楚，我都看不下去了~表达能力太差。）
<

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。