blocks|key|1171353|text|您可以考虑的另一种方法是VLAD编码。(基本上是FV的非概率版本，用k均值聚类代替GMMs+)|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1171354|实现只与标准矢量量化略有不同，但我的实验表明，它的性能要好得多，而且码本的大小也要小得多。|1171355|它使用欧氏距离来寻找最近的码本向量，但它不只是计数元素，而是累积每一个元素的残差。|1171356|图像搜索示例：链接|offset|length|1171357|FV+/+VLAD纸：纸|1171358|entityMap|0|LINK|mutability|MUTABLE|url|http://lear.inrialpes.fr/pubs/2010/JDSP10/jegou_compactimagerepresentation_slides.pdf|1|https://hal-univ-rennes1.archives-ouvertes.fr/file/index/docid/633013/filename/jegou_aggregate.pdf^0|0|0|0|7|2|0|0|B|1|1|0^^$0|@$1|2|3|4|5|6|7|V|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|W|8|@]|9|@]|A|$]]|$1|D|3|E|5|6|7|X|8|@]|9|@]|A|$]]|$1|F|3|G|5|6|7|Y|8|@]|9|@$H|Z|I|10|1|11]]|A|$]]|$1|J|3|K|5|6|7|12|8|@]|9|@$H|13|I|14|1|15]]|A|$]]|$1|L|3|-4|5|6|7|16|8|@]|9|@]|A|$]]]|M|$N|$5|O|P|Q|A|$R|S]]|T|$5|O|P|Q|A|$R|U]]]]

Another method you could take into consideration is VLAD encoding. (Basically a non-probabilistic version of FV, replacing GMMs by k-Means clustering)

Implementation differs only slightly from standard vector quantisation, but I my experiments it showed much better performance with significantly lower codebook size.

It uses euclidean distance to find the nearest codebook vector, but instead of just counting elements, it accumulates every elements residual.

An example for image search: <a href="http://lear.inrialpes.fr/pubs/2010/JDSP10/jegou_compactimagerepresentation_slides.pdf" rel="nofollow">Link</a>

FV / VLAD paper: <a href="https://hal-univ-rennes1.archives-ouvertes.fr/file/index/docid/633013/filename/jegou_aggregate.pdf" rel="nofollow">Paper</a>

I want to implement a system where given an input image, it returns a reasonable similar one (approximation is acceptable) in a dataset of (about) 50K images. Time performances are crucial.

I'll use a parallel version of SIFT for obtaining a matrix of descriptors <code>D</code>. I've read about Fisher Vector (FV) (<a href="http://vision.princeton.edu/pvt/align2RGBD/align2RGBD/lib/vlfeat/doc/overview/encodings.html" rel="nofollow">VLfeat</a> and <a href="http://yael.gforge.inria.fr/tutorial/tuto_imgindexing.html" rel="nofollow">Yael</a> implementations) as a learning and much more precise alternative to Bag of Features (BoF) for representing <code>D</code> as a single vector <code>v</code>.

My question are: 

<ol>
<li>What distance is used for FVs? Is it the Euclidean one? In that case I would use LSH in eucledian distance for quickly find approximate near neighbor of FVs.</li>
<li>There is any other FV efficient (in terms of time) C++ implementation?</li>
</ol>

Fisher Vector with LSH?

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我想要实现一个系统，其中给定一个输入图像，它返回一个合理的相似的(近似是可接受的)在一个数据集(约) 50K图像。时间性能是的关键。我将使用SIFT的并行版本来获取描述符D的矩阵。我读过关于Fisher向量(FV) (和实现)的文章，它是一种学习和更精确的特性包(BoF)替代方法，用于将D表示为单个向量v。我的问题是：FV使用的距离是多少？是欧几里得的吗？在这种情况下，我会使用LSH在核距离，以迅

问带LSH的Fisher向量？
EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问带LSH的Fisher向量？EN