图像检索常规算法---学习笔记

图像检索常规算法：
1. BoW方法：核心思想是提取出关键点描述子后利用聚类的方法训练一个码本，随后每幅图片中各描述子向量在码本中各中心向量出现的次数来表示该图片，该方法的缺点是需要码本较大；
2. FV方法：核心思想是利用高斯混合模型(GMM)，通过计算高斯混合模型中的均值、协方差等参数来表示每张图像。该方法的优点是准确度高，但缺点是计算量较大。
3. VLAD算法：
  1. 可以看做是一种简化的FV，其主要方法是通过聚类方法训练一个小的码本，对于每幅图像中的特征找到最近的码本聚类中心，随后所有特征与聚类中心的差值做累加，得到一个k*d的vlad矩阵，其中k是聚类中心个数，d是特征维数(如sift是128维),随后将该矩阵扩展为一个(k*d)维的向量，并对其L2归一化，所得到的向量即为VLAD
  2. 算法流程：
    1. 读取图片文件路径及特征提取
    2. 使用聚类方法训练码本
    3. 将每张图片的特征与最近的聚类中心进行累加
    4. 对累加后的VLAD进行PCA降维并对其归一化
    5. 得到VLAD后，使用ADC方法继续降低储存空间和提高搜索速度
ADC：
1. 找到离x最近的a个邻居
2. 对图片库中，除query vector x之外的所有图的vector Y=y1,y2...yn，做kmeans产生k个聚类中心，用log2kbit编码这k个center的ID
3. 存在的问题：k必须是一个较小的值，这样会导致信息损失较严重，因为上百万个图，最后只对应到了16种编码，搜索精度会很低。如果想用64bit编码， k=264，聚类中心的个数太多，kmeans计算代价很大。
4. 优化：把vector y划分成m个子向量，如果y长度为D，那么每个子向量长度：D/m,对每个子向量做上述的ADC编码，聚类时把多个y的第j个子向量进行k-mean聚类，将所有子向量与x之间的差距求和。

相关阅读:
【leetcode】【剑指offer Ⅱ】053. 二叉搜索树中的中序后继
ggplot2颜色设置总结
vue项目打包，使用externals抽离公共的第三方库
kotlin的by lazy
矩阵分析与应用
【前端求助帖】关于使用element-plus select 模板嵌套popover中使用select选择后，上一个select自动关闭的问题
2023高教社杯全国大学生数学建模竞赛E题代码解析
ST2Vec: Spatio-Temporal Trajectory Similarity Learning in Road Networks
六大赛题，108万丰厚奖池！2023长三角（芜湖）人工智能视觉算法大赛等你来战！
安装Ubuntu提示：系统找不到指定的文件。

原文地址：https://blog.csdn.net/weixin_45647721/article/details/126430652