Плотный сит против сит?

Question

В чем разница между реализацией плотного просеивания по сравнению с просеиванием?Каковы преимущества / недостатки одного перед другим?В частности, я говорю о реализации VLFeat.

Answer 1

Очевидное отличие состоит в том, что с плотным SIFT вы получаете дескриптор SIFT в каждом месте, в то время как при обычном просеивании вы получаете описания SIFT в местах, определенных по алгоритму Лоу.

Существует множество приложений, в которых вам требуетсянеплотный SIFT, один отличный пример - оригинальная работа Лоу.

Есть множество приложений, в которых хорошие результаты были получены путем вычисления дескриптора везде (плотно), одним из таких примеров является this .Дескриптор, похожий на плотный SIFT, называется HOG или DHOG, технически они не одно и то же, но концептуально оба основаны на гистограммах градиентов и очень похожи.

Answer 2

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

In MediaMixer Deliverable D1.1.2 метод определения концепции, в котором представлены как SIFT, так и плотный SIFT-дескрипторы, и экспериментальныеРезультаты показали, что эта комбинация обеспечивает более точную классификацию.Для получения дополнительной информации вы можете присоединиться к порталу сообщества MediaMixer на http://community.mediamixer.eu/.

Answer 3

Как правило, для распознавания категории общего объекта лучшие результаты получают с использованием плотного извлечения признаков, а не извлечения признаков на основе ключевых точек.

Answer 4

Подробнее о DenseSIFT можно прочитать в деталях реализации VLFeat.

DenseSIFT более быстрый (ускорение x30-x60).

http://www.vlfeat.org/overview/dsift.html http://www.robots.ox.ac.uk/~vedaldi/assets/pubs/vedaldi10vlfeat-tutorial.pdf

Answer 5

Dense SIFT собирает больше функций в каждом месте и масштабе на изображении, соответственно повышая точность распознавания. Тем не менее, вычислительная сложность всегда будет проблемой для нее (по сравнению с обычным SIFT).

Если вы используете SIFT для классификации, я рекомендую использовать обычный SIFT с несколькими функциями ядра (для кластеризации), а не использовать Dense SIFT с одной линейной функцией ядра. Вы получите очевидный компромисс между скоростью и точностью.

Я рекомендую проверить эту статью, которая объясняет различия в реализации в Big-Oh.