Плотный просеивание против просеивания?

В чем разница между реализацией плотной сортировки по сравнению с просеиванием? Каковы преимущества/недостатки друг друга? Я говорю, в частности, о реализации VLFeat.

Ответы

Ответ 1

Очевидное различие заключается в том, что при плотном SIFT вы получаете дескриптор SIFT в в каждом месте, а при нормальном просеивании вы получаете описания SIFT на местоположения, определенные алгоритмом Лоу.

Существует много приложений, в которых вам нужен не плотный SIFT, один отличный пример - оригинальная работа Lowe.

Существует множество приложений, где хорошие результаты были получены путем вычисления дескриптор везде (плотно) один такой пример this. Дескриптор, похожий на плотный SIFT, называется HOG или DHOG, они технически не одно и то же, но концептуально оба основаны на гистограммах градиентов и очень похожи.

Ответ 2

Как правило, для распознавания категории универсального объекта лучшие результаты получаются с использованием извлечения плотной функции, а не извлечения на основе ключевых точек.

Ответ 3

В http://www.vlfeat.org/overview/dsift.html вы можете подробно узнать, как функции изображения извлекаются как для SIFT, так и для плотной реализации SIFT, а также для сравнения их время выполнения. Основным преимуществом плотного дескриптора SIFT VLFeat является скорость.

В MediaMixer Deliverable D1.1.2 представлен метод обнаружения понятий, в котором используются как SIFT, так и плотные дескрипторы SIFT, и экспериментальные результаты показали что эта комбинация обеспечивает более точную классификацию. Для получения дополнительной информации вы можете присоединиться к сообществу сообщества MediaMixer на http://community.mediamixer.eu/.

Ответ 4

Плотный SIFT собирает больше функций в каждом месте и масштабируется в изображении, что повышает точность распознавания. Однако сложность вычислений всегда будет проблемой для него (относительно обычного SIFT).

Если вы используете SIFT для классификации, я рекомендую использовать обычный SIFT с несколькими функциями ядра (для кластеризации) в качестве противопоставления использованию Dense SIFT с помощью одной линейной функции ядра. Тем не менее, вы получите очевидную скорость и точность.

Я рекомендую проверить этот документ, который объясняет различия в реализации в Big-Oh.