Hamming Embedding 汉明嵌入简介

最新推荐文章于 2020-11-11 18:06:08 发布
最新推荐文章于 2020-11-11 18:06:08 发布
阅读量5.9k 收藏 6
点赞数 1
分类专栏： cv 文章标签： 汉明嵌入 HE 计算机视觉 SIFT
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。
本文链接：https://blog.csdn.net/defineWL/article/details/41217441
版权

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：

最低0.47元/天 解锁文章
defineWL
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Hamming embedding and weak geometric consistency for large scale image search
mqfcu8的专栏
04-09 2855
文章三大贡献： 1. 将bag-of-features理解成voting，并形式化表示match过程； 2. 提出Hamming Embedding，在聚类中k值较小时也能保持descriptor的discriminative power； 3. 弱几何一致性和几何变换先验过滤掉一些不满足该条件的匹配点。
论文阅读《Hamming embedding and weak geometric consistency for large scale image search》
zzchust的专栏
11-12 2147
在BOW模型中嵌入hamming距离实现kmeans聚类之后的第二次过滤，高效的提升descriptor matching的准确；在利用weak geometric consistency进一步提高结果。
Hamming Embedding 汉明嵌入
liuheng0111的博客
10-11 2877
基于Hamming embedding and weak geometric consistency for large scale image search论文的学习博客 本文从两个方面来介绍HE算法：  1.简要介绍一下BOF，以及它的投票机制  2.针对BOF的改进，局部图像描述子的汉明嵌入 voting interpretation of bag-of-featu
海明嵌入Hamming Embedding生成Binary Signature之matlab程序代码
GarfieldEr007的专栏
05-01 2329
% This code generates 128-bit hamming code "bs" for SIFT features %128-D % "bs": binary signature % % Bug fixed by Liang Zheng on 01/26/2015. %% load previous data feat_file = '100000.siftgeo'; % f
Hamming Embedding, Burstiness, Multiple Assignment
mqfcu8的专栏
04-10 1383
这些都是大规模图像检索时的一些优化技术
hamming codes_hamming_decoder_汉明编码_python_encoder_
10-01
汉明编码是一种纠错编码技术，由理查德·汉明在1950年提出，主要用于检测和纠正数据传输或存储过程中的错误。它通过在原始数据中添加冗余位来实现这一目标，使得在数据出错时可以定位并修复错误。在本项目中，我们...
汉明Hamming编码(计算机网络)C++代码实现
04-27
本代码实现了汉明编码的具体实现过程，其中有详细的代码注释，能够帮助大家更好的理解实现的方法，帮助大家理解hammingCode
hamming:通过汉明距离搜索有效值
05-12
该算法实现了按任何汉明距离搜索64位哈希值。 还支持线程安全的运行时追加和删除。 使用堆外存储。 该算法将64位长值分割为四个16位部分。 我们计算每个部分的位数，因此我们得到4个范围为[0..16]的计数器。 因此，...
74Hamming_encoder_decoder
04-12
汉明码（Hamming Code）是一种纠错编码技术，由理查德·汉明在1950年提出，主要用于检测和纠正数据传输或存储过程中的单比特错误。它通过在原始数据中添加冗余位来实现这个功能。在这个“74Hamming_encoder_decoder...
Additional parity bit hamming code
03-12
Additional parity bit Hamming code Hamming code 是一种常用的错误检测和纠正码，它可以检测和纠正数字信息中的错误。在这个主题中，我们将讨论 Hamming code 中的 additional parity bit，了解它的工作原理和...
matlab实现汉明编码
05-27
实现汉明编码，对matlab实现汉明编码有重要意义，可用于图像，音频中嵌入信息，减小误码率。
图片搜索流程
MagickCoding
06-07 1887
1.首先，我们用sift算法生成图像库中每幅图的特征点及描述符。 2.再用k-means算法对图像库中的特征点进行训练，生成类心。 3.生成每幅图像的BOF，具体方法为：判断图像的每个特征点与哪个类心最近，最近则放入该类心，最后将生成一列频数表，即初步的无权BOF。 4.通过tf-idf对频数表加上权重，生成最终的bof。（因为每个类心对图像的影响不同。比如超市里条形码中的第一位总是6，它对
Bag of Features (BOF)图像检索算法
彼岸花
04-13 6520
Bag of features（Bof）一种是用于图像和视频检索的算法。此算法对于不同角度，光照的图像，基本都能在图像库中正确检索。 检索就要进行比对。两幅不同的图像如何比对，比对什么，这就需要提炼出每幅图像中精练的东西出来进行比较。正如超市中的条形码，就能很好的反映出一件商品的所有特征。因此概括的来说，bof就是生成每幅图像的“条形码”来进行检索。实验中，我们有一个包含100幅图像的小型图
汉明距离的计算代码
liuweizj12的博客
06-14 1514
#include "stdafx.h" #include struct HammingLUT { typedef unsigned char ElementType; typedef int ResultType; ResultType operator()(const unsigned char* a, const unsigned char* b, int size) const
hamming weight 汉明权重算法
wzw12315的专栏
01-12 4778
Hammingcode是指一个字串中非0符号的个数（TheHamming weight of a stringis the number of symbols that are different from the zero-symbol ofthealphabetused.）。应用到2进制符号序列中来，即二进制串中1的个数就是该串的Hammingcode.那么上述的问题即转换成求解字串的Ha
Hamming Distance (汉明距离)
热门推荐
chouisbo的博客
02-07 7万+
汉明距离
hamming weight algorithm(汉明算法)以及kernel的实现
shaohui973的专栏
11-11 1068
hamming weight(汉明权重)算法是一种用于计算字节串中1bit的数目。 比如，0b1001 0000，ob0000 0011, 0b1000 0001的汉明权重均为2，ob 1110 0001, 0b1100 1100, 0b1001 1001的汉明权重均为4. 汉明权重的算法(32位)： int Hamming_weight(uint32_t n ) { n = (n&0x55555555) + ((n>>1)&0x55555555); ...
Bag-of-colors for Improved Image Search
别时茫茫的专栏
11-16 920
1.论文介绍这篇文章通过使用图像的颜色特征（全局和局部），并结合这SIFT特征，实现BoW，作者认为颜色特征可以作为SIFT特征的补充，达到超出传统方法的效果。2.Bag of ColorColor特征的生成过程 颜色空间：作者基于前面人的工作，借用了CIE-Lab颜色特征。这个颜色空间更接近于欧式空间。颜色字典 颜色字典是通过聚类来实现的，对于每一个图像的颜色特征分量，L,a,b分别进行量化，
什么是汉明窗？加Hanmming窗的作用？
James_bobo的博客
04-13 2万+
1.什么是汉明窗？ 从语音的角度说 理论： 语音信号是一种非平稳的时变信号，其产生过程与发声器官的运动紧密相关。而发声器官的状态变化速度较声音振动的速度要缓慢的多，因此语音信号可以认为是短时平稳的。研究发现，在10～30ms的范围内，语音频谱特征和一些物理特征参数基本保持不变。因此可以将平稳过程的处理方法和理论引入到语音信号的短时处理中，将语音信号划分为很多短时的语音段，每个短时的语音段称为一个...
汉明损失（hamming loss）
最新发布
06-12
汉明损失（Hamming Loss）是评估分类模型预测结果与真实标签之间差异的一种度量方法，特别是在二分类和多分类任务中常用。它计算的是每个样本在预测结果中错误分类的位数。具体来说，对于每个样本，如果模型的预测标签与实际标签完全一致，那么该样本的汉明损失为0；如果有哪怕一个类别标签被错误地预测，汉明损失就是1，即一个错误的位。 数学表达式如下： 对于单个样本，如果有 \( n \) 个类别： - 如果模型预测有误，\( L_{Hamming} = \frac{1}{n} \)，因为每错一类别对应一个错误的位 对于所有样本的总体汉明损失，通常是所有样本的汉明损失之和除以样本总数： \[ L_{Hamming} = \frac{1}{N} \sum_{i=1}^{N} \frac{\text{错误的位数}}{n} \] 汉明损失越小，说明模型的预测精度越高。它通常与准确率一起使用，因为准确率不能很好地衡量在类别不平衡的情况下模型的表现，而汉明损失则更关注每一个错误的分类。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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。

余额充值