Hamming Embedding 汉明嵌入简介

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:

  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值