论文阅读 (一)：Aggregating local descriptors into a compact image representation (2010VLAD)

引入

  论文地址：戳戳。
  要点：
  1）在处理大规模图像问题的时候，考虑了搜索的准确性，其效率以及表示的内存使用情况；
  2）把 aggregating local image descriptors 映射成一个有限维的向量，它是 Fisher 核的简化版；
  3）为了维护向量的质量，通过共同优化降维和索引算法来实现。

1 图像向量表示

1.1 BOF (bag of features)

  1）先通过 K-Means 聚类来获取 k 个虚拟的中心点；
  2）每个 d 维的局部描述器都被分配给最近的那个中心点；
  3）BOF 是以直方图的形式来表示的，它可以把所有的图像描述器分配给视觉单词（visual words）；
  4）这样就生成了一个 标准化后的 k 维向量；
  5）当图像被视为经验分布的时候，BOF向量就使用曼哈顿距离；其它情况就使用欧氏距离；
  6）然后使用 idf (inverse document frequency) 对向量进行加权；
  7）可以用最流行的软量化技术 (soft quantization techniques) 来代替 K-Means 提升 BOF 的质量，其中最流行的。

1.2 FK (Fisher kernel)

  1）FK 能够把一个可变大小独立样本集转变成一个固定大小的向量；
  2）这个向量用 Fisher 信息矩阵平方根的倒数来表示，并且给出了参数空间的方向，这样可以更好拟合观察到的数据；
  3）用 高斯混合模型 (GMM) 来对 视觉单词 (visual words) 进行建模，该模型仅限于对角方差矩阵；
  4）推导 GMM 的 Fisher 矩阵，在只考虑GMM 均值或者方差的时候，可以得到一个 (2d-1)-1 维或者 (dk) 维的向量来表示一个图像特征集合；
  5）这样做的好处就是，视觉单词 (visual words) 比 BOF 需要的更少。

1.3 VLAD （vector of locally aggregated descriptors）

   其实这里我也没弄明白，VLAD (局部聚合描述器向量) 是什么东西，就只能按照自己理解的来解释了。
   我在这里用我的方向的知识点来进行阐述一下（多示例学习），多示例学习是什么，请参考本人的另一篇博客，地址多示例学习。
  直接上图：
  1) 首先，对所有的实例来进行一个 codebook 聚类，（小声bb—其实就是KMeans）说法高大上一些。然后得出一系列的簇中心点出来$c_1$、$c_2$…。
  2) 然后每个包都会基于选出来的簇中心点进行映射，每个包会被映射出一个向量。映射方法参考图表中的公式，这个公式表示：一个包中，如果该实例属于这个簇，然后就就用实例对簇中心进行一个相减，属于同一簇的会映射出一个子向量$v_{i_1}$，这里我们聚类出了两类，所以最后会产生二个子向量，然后这两个子向量进行一个一维的拼接；就得出了$v_1$，这样每个包都会映射出这么一个向量。最后我们就有这么一些向量来表示这一群图片。
  3）这些 $v_i$ 就是 VLAD,这些描述器的代表的意义就和SIFT一样，如果对SIFT有兴趣的同学，可以去看看这篇论文 Distinctive image features from scale-invariant SIFT
keypoints。

总结

由于不是研究图像处理这方面的，对于该论文的解读就到这里了。