这篇博客介绍了稀疏编码在图像处理中的进展，从VQ、SPM到LLC的演进。作者强调了在编码阶段改进的重要性，如SPM采用平均池化，ScSPM采用最大池化，而LLC引入局部约束以增强代码的相关性和稀疏性。LLC提供更好的重构质量和局部平滑稀疏性，同时拥有解析解，提高了编码效率。
几篇参考文献存在着一个改进的顺序，BOF -> SPM -> ScSPm ->LLC
其中BOF->SPM是在Pooling阶段进行改进，SPM -> ScSPm ->LLC则是在coding阶段进行改进。。
令X是一幅图像中提取得到的D维local descriptors, 给定一个由M个条目的codebook B=[b1,b2,…,bM]∈ℝ^(D X M)，使用不同的编码方案将each descriptor 转换为一个M维的code来generate the final image representation。
不同的编码方案示意如下：
1.Coding descriptors in VQ（SPM）
求解式中的ci，使得其误差最小，ci是一个只有一个非0元素的m x 1的向量。。。然后用ci pooling当前金字塔层级的图像块的BOF特征。。
2.Coding descriptors in ScSPM
“Sparse coding is a better building block“。
Coding过后，ScSPM采用的Pooling方法是max pooling：ci=max(C)。相比SPM的average pooling：ci =1/ Σ ci。可以看见average pooling是一
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
