BoW用于图像检索的一般化流程
来源:互联网 发布:菲尔杰克逊数据 编辑:程序博客网 时间:2024/05/22 12:59
--来自肉麻的开题报告
以经典BoW模型实现一个图像检索的方法,BoW检索的一般流程如图2所示:
图2 BoW检索流程
最初的BoW在图像检索中应用的流程主要分为以下几步:
1、特征提取。在训练阶段,将图像用很多“块”(patch)表示,以SIFT特征为例,图像中每个关键点就是一个patch,每一个patch特征向量的维数128。
2、字典构建。假设共有M幅训练图像,字典的大小为100,即有100个词,用K-均值算法对所有的patch进行聚类,等k-均值收敛时,将得到每一个聚类最后的质心,这100个质心(维数128)就是词典里的100个词,词典构建完毕。
3、字典表示。在测试阶段,对每幅图像初始化一个维数100、值全为0的直方图,计算测试图像每个patch与字典中单词的距离,距离patch最近的单词对应的直方图计数加1,将所有patch计算完毕后的直方图即为图像的字典表示。
4、图像检索。训练图与测试图都以100维向量表示,对每个待检索图像,只需在字典中计算所有训练图与其距离,并返回最近的若干幅即可。
特征提取是算法的开始,也在很大程度上决定了算法的性能。PS:1.该图参考的是LiFeiFei2006年的资料,原图是用于object recognition的;
2.培训完过后开始总结特征;
3.实验Gabor特征+LDA;
- BoW用于图像检索的一般化流程
- BoW用于图像检索的一般化流程
- BoW模型用于图像检索的一般化流程
- BoW用于图像分类
- BoW图像检索Python实战
- BoW图像检索Python实战
- BoW图像检索Python实战
- SIFT+BOW 实现图像检索
- 图像检索中BOW和LSH的一点理解
- 基于Bow模型的图像检索 Image Retrieval with Bag of Visual Words
- 图像检索中为什么仍用BOW和LSH
- 图像检索中为什么仍用BOW和LSH
- 图像检索中为什么仍用BOW和LSH
- 词袋模型BoW图像检索Python实战
- 图像检索中为什么仍用BOW和LSH
- 一个用BoW|Pyramid BoW+SVM进行图像分类的Matlab Demo
- 一般化的Ajax代码
- 深度学习用于基于内容的图像检索 Deep Learning for Content-Based Image Retrieval
- Unity3D集成IAP的那点事儿
- 动态修改UINavigationBar背景
- 如何改变Linux文件的属性与权限
- gdb调试讲解,快速入门
- 别让你的IAP轻易被破解
- BoW用于图像检索的一般化流程
- PeekMessage function (Windows)
- Http方法:Get请求与Post请求的区别
- Hdu 3599 War
- struts常量
- webQQ获得群列表、好友列表
- 纯CSS实现侧边栏/分栏高度自动相等
- SQL语句4
- android学习笔记(二) 之 android工程文件分析