Вот краткое изложение, основанное главным образом на запоминании бумаги в CACM, с несколькими краткими взглядами на http://userweb.cs.utexas.edu/%7Egrauman/papers/grauman_cacm_extended.pdf
Учитывая наборы точек Xi и Yi, представляющих объекты, вы можете получить расстояние как SUM_i d (X_i, Y_p (i)) где p (i) соответствует каждому i с его собственным уникальным p (i), и является p (x), дающим минимальное такое расстояние.Вы можете найти p (x) с помощью венгерского алгоритма, но это дорого
В статье показано, что вы можете приблизить это расстояние гораздо дешевле.Аппроксимация не обеспечивает ap (x) для исходной задачи, но вы могли бы (я думаю) думать о ней как о решении задачи согласования для упрощенной функции расстояния f (X_i, Y_q (i)), гдеf (X, Y) заботится только о том, попадают ли X и Y в корзину гистограммы с некоторой степенью детализации, и, если да, то какая это гранулярность.Алгоритм не дает явного q (x), но я подозреваю, что вы могли бы довольно легко получить его, если бы захотели, путем объединения точек, попадающих в одну и ту же корзину.Если бы вы это сделали, я подозреваю, что с исходной функцией расстояния d (X, Y) это не так уж плохо, но я не знаю, что здесь не так уж и плохо.
Функция также имеетдругие полезные свойства, которые хорошо сочетаются с машинами опорных векторов, и алгоритмы быстрого приближенного поиска.