特征袋的紧凑和区分性表示

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。