Hamming embedding and weak geometric consistency for large scale image search

Hervé Jégou, Matthijs Douze, and Cordelia Schmid，ECCV2008，被引用次数：779
阅读时间：2015-04-06~07

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。

一、bag-of-features理解成voting

在match阶段，假设已计算出query image的descriptors，接下来：

• $s_j=0$，表示初始化时与dataset中图片$x_j$的匹配值为0；
• 对query图片中每个descriptor，记为$y_i$，对图片$x_j$的每个descriptor，记为$x_{i,j}$，有 $${s_j} = {g_j}\left( {\sum\limits_{{i'} = 1..{m'}} {\sum\limits_{i = 1..{m_j}} {f\left( {{x_{i,j}},{y_{{i'}}}} \right)} } } \right)$$ 稍后再解释${g_j} \left( \right)$，先当它没有。其中$f\left( {{x_{i,j}},{y_{{i'}}}} \right)$为描述子匹配函数，如未加权的bag-of-features中， f(xi,j,yi′