特征袋(BOF)和空间金字塔匹配(SPM)表示由于其简单性和良好的性能而在图像分类和检索中已得到公认。 但是,BOF向量的超维数始终面临“维数诅咒”的难题,并导致巨大的计算和存储复杂性。 为了创建紧凑而有区别的BOF表示,在本文中,我们提出了一种新颖的直方图向量无监督降维框架。 首先,我们在每个直方图对之间建立相异矩阵,然后执行多维缩放技术以获取原始BOF的低维欧几里德嵌入,同时保留其固有的邻域结构。 研究了广泛使用的度量差异性的度量(包括距离和核),以构建差异性矩阵作为我们降维模型的输入。 大量的实验结果表明,非常低的尺寸足以使用BOF或SPM进行学习,而不会损失分类精度。 相比之下,最新的方法无法在非常小的尺寸上实现高精度。 此外,与原始BOF相比,BOF的紧凑表示可以提高分类准确性。 最后,我们还证明了我们的紧凑表示形式对于图像检索任务是有效的。 (C)2015 Elsevier BV保留所有权利。