나는 VLSift를 사용하여 물체 인식 작업을하고 있으며,이 방법을 사용하는 데는 여러 가지 방법이있다. 한 가지 방법은이다 : 기능을 보유하고 kdtree와 -lookup 기능을 SIFT -extract 기존 SIFT 데이터베이스 -returned 최고의 빈은 또 다른이 될 것으로 보인다kdtree 대 히스토그램 인코딩
을 특징 : 를 기능 -create 히스토그램에게 SIFT -extract
즉, 물체 인식의 분류 부분을 무시한다. 이것들이 두 가지 합법적 인 접근법이라고 정정합니까? 내가 아는 한, 히스토그램은 최상의 빈을 얻습니다. 그렇다면 어떤 것이 더 낫습니까? 장점과 단점은 무엇입니까?
Kd-Tree는 항목 집합을 포함하는 데이터 구조입니다. 쿼리 항목의 K 개의 가장 가까운 일치 항목을 빠르게 검색 할 수 있습니다.
개체 인식 문제와 관련하여 Kd-Tree는 필수 구성 요소가 아닙니다. 개별 기능과 일치하는 런타임을 향상시키는 목적으로 만 사용됩니다.
히스토그램 접근 방식은 개별 피쳐를 전혀 일치시킬 필요가 없습니다. 대신 쿼리 이미지의 기능을 양자화합니다. 그런 다음, 양자화 된 피쳐의 히스토그램을 계산합니다. 일치하는 데이터베이스 이미지를 찾으려면 데이터베이스에서 가장 유사한 막대 그래프를 찾으십시오.
개별 피쳐의 일치가 필요하지 않으므로 히스토그램 접근은 점근적으로 빠르게 실행됩니다.
두 가지 방법의 중요한 차이점은 히스토그램 표현이 특징 벡터가 계산 된 키포인트의 공간 좌표를 모르는 것입니다. 따라서 차별성이 떨어진다.
요약하면 히스토그램 접근법은 객체 인식에서 kd 트리만큼 빠르고 정확합니다. – mugetsu
번호 히스토그램 표현은 개별 기능을 비교하는 것보다 차별성이 적습니다. –
대부분의 연구자들이 히스토그램 접근법을 사용하는 것처럼 보입니다. 속도가 더 중요하다고 생각하십시오. – mugetsu