VLAD讲解2

局部聚合向量note

VLAD stands out for the following reasons:

(1)    计算很原始（加法/减法操作）

(2)    和CNN相比，训练一个VLAD编码器更直接，也不需要大量的训练集

(3)    VLAD 被认为是FV的一个特例，所以具有FV的一些性质（例如最重要的Fisher kernel）

(4)    从经验上来看，VLAD is state-of-art accuracy and methods.

VLAD's limitations:

    （1）局部描述子是向量形式，然而一些机器视觉的研究认为“结构化数据（例如SPD矩阵、图、正交矩阵）可以提供鲁棒性更强的描述子”

    （2）VLAD产生的高维图像集的表达式多数被限制在线性分类器

====

提出一种基于核的方法去解决上述问题。

把描述子映射到再生核希尔伯特空间上，引入一种核化版本的VLAD

references:    when VLAD met Hilbert(CVPR)