Bag of Features 如何运作？
How Bag of Features works?
我不确定这个论坛是否适合这个问题，否则我很抱歉。
我对 Bag of Features 模型还很陌生，我正在尝试实施以通过矢量表示图像（对于 CBIR 项目）。
根据我的理解，给定 S 个 n 图像的训练集，并假设我们想通过大小为 k 的向量表示图像，这些是实施 BoF 的步骤：
- 对于每个图像
i，计算关键点集并从中计算描述符集 i-D。
- 将所有图像的描述符集放在一起，所以现在我们有
D。
- 运行
k 表示（上面定义了 k）D 上的算法，所以现在我们有 k 个簇和每个描述符向量完全属于一个集群。
- 将
iv 定义为相对于图像 i 的结果 BoF 向量（大小 k）。每个维度都初始化为0。
- 对于每个图像
i，以及属于 i-D 的每个描述符 d，找出所有 k 簇之间属于哪个簇 d .假设 d 属于第 j 个簇，则 vi[j]++.
我不清楚如何实现第 5 点，那么我们如何理解描述符属于哪个集群，特别是如果我们尝试计算 BoF 的图像矢量是查询图像（因此不属于初始数据集）？我们是否应该找到最近的邻居 (1-NN) 以了解查询描述符属于哪个集群？
为什么我需要这个 - 应用程序：
我正在实施 BoF 模型以实施 CBIR：给定查询图像 q，在图像数据集中找到与 q 最相似的图像 i .为此，我们需要解决 1-近似最近邻问题，例如使用 LSH。问题是 LSH 中每个图像的输入都表示为一个向量，所以我们需要 BoF 才能做到这一点！我希望现在我需要它的原因更清楚了:)
如果我在上述过程中有任何错误，请告诉我。
您的算法正在做的是为图像生成等效的文字。 "words" 的集合并不意味着最终结果，而只是使其与其他机器学习技术一起使用变得简单的东西。
在此设置中，您从初始特征（点 1 的关键点）生成一组 k 个聚类。
然后你通过落在每个簇中的关键点的数量来描述每个图像（就像你有一个文本由长度为 k 的字典中的单词组成）。
第 3 点说你从训练集图像中获取所有关键点，运行k-means algorithm，找出点之间的一些合理分离。这基本上确定了单词是什么。
因此，对于新图像，您需要像对训练集所做的那样计算关键点，然后使用您在训练中已经计算的聚类，计算出新图像的特征向量。那就是你把你的图像从你建立的词典中转换成单词。
这是一种从图像中生成合理特征向量的方法（如果需要，可以是部分结果）。这不是一个完整的机器学习算法。要完成它，您需要知道自己想要做什么。如果您只想找到最相似的图像，那么是的，最近邻搜索应该可以做到这一点。如果要标记图像，则需要从特征向量训练分类器（如朴素贝叶斯）并使用它来计算查询的标签。
我不确定这个论坛是否适合这个问题，否则我很抱歉。
我对 Bag of Features 模型还很陌生，我正在尝试实施以通过矢量表示图像（对于 CBIR 项目）。
根据我的理解，给定 S 个 n 图像的训练集，并假设我们想通过大小为 k 的向量表示图像，这些是实施 BoF 的步骤：
- 对于每个图像
i，计算关键点集并从中计算描述符集i-D。 - 将所有图像的描述符集放在一起，所以现在我们有
D。 - 运行
k表示（上面定义了k）D上的算法，所以现在我们有k个簇和每个描述符向量完全属于一个集群。 - 将
iv定义为相对于图像i的结果 BoF 向量（大小k）。每个维度都初始化为0。 - 对于每个图像
i，以及属于i-D的每个描述符d，找出所有k簇之间属于哪个簇d.假设d属于第j个簇，则vi[j]++.
我不清楚如何实现第 5 点，那么我们如何理解描述符属于哪个集群，特别是如果我们尝试计算 BoF 的图像矢量是查询图像（因此不属于初始数据集）？我们是否应该找到最近的邻居 (1-NN) 以了解查询描述符属于哪个集群？
为什么我需要这个 - 应用程序：
我正在实施 BoF 模型以实施 CBIR：给定查询图像 q，在图像数据集中找到与 q 最相似的图像 i .为此，我们需要解决 1-近似最近邻问题，例如使用 LSH。问题是 LSH 中每个图像的输入都表示为一个向量，所以我们需要 BoF 才能做到这一点！我希望现在我需要它的原因更清楚了:)
如果我在上述过程中有任何错误，请告诉我。
您的算法正在做的是为图像生成等效的文字。 "words" 的集合并不意味着最终结果，而只是使其与其他机器学习技术一起使用变得简单的东西。
在此设置中，您从初始特征（点 1 的关键点）生成一组 k 个聚类。 然后你通过落在每个簇中的关键点的数量来描述每个图像（就像你有一个文本由长度为 k 的字典中的单词组成）。
第 3 点说你从训练集图像中获取所有关键点，运行k-means algorithm，找出点之间的一些合理分离。这基本上确定了单词是什么。
因此，对于新图像，您需要像对训练集所做的那样计算关键点，然后使用您在训练中已经计算的聚类，计算出新图像的特征向量。那就是你把你的图像从你建立的词典中转换成单词。
这是一种从图像中生成合理特征向量的方法（如果需要，可以是部分结果）。这不是一个完整的机器学习算法。要完成它，您需要知道自己想要做什么。如果您只想找到最相似的图像，那么是的，最近邻搜索应该可以做到这一点。如果要标记图像，则需要从特征向量训练分类器（如朴素贝叶斯）并使用它来计算查询的标签。