Algorithm kd-Tree是K-means聚类的替代方法吗？

我正在进行弓目标检测，我正在进行编码阶段。我见过一些在编码阶段使用

kd-Tree

的实现，但大多数文章都认为

K-means

集群是一种可行的方法

---

这两者的区别是什么

kd-tree

AFAIK用于标记阶段，当在大量组（成百上千）上进行聚类时，其速度要快得多，然后是简单地获取每个组的所有距离的argmin的简单方法，k-means

http://en.wikipedia.org/wiki/K-means_clustering

是实际的聚类算法，它的速度很快，但并不总是非常精确，一些实现返回组，而另一些实现返回训练数据集的组和标签，这是我通常与对象检测结合使用的，k-means用于量化描述符。kd树可用于搜索带或不带量化的描述符。每种方法都有其优缺点。特别是，当描述符维数超过20时，kd树并不比暴力搜索好多少。

kd树

和

K-means算法是两种不同类型的聚类方法

以下是几种类型的聚类方法：


kd-Tree
是一种基于中值的方法
K-means
是一种基于均值的聚类方法
GMM
（高斯混合模型）是一种基于概率的聚类方法（软聚类）
等等


[更新]：

一般来说，有两种类型的聚类方法，软聚类和硬聚类。像GMM这样的概率聚类是软聚类类型，通过概率将对象分配给聚类，而其他类型是硬聚类，通过绝对地将对象分配给聚类。
我使用的是SIFT描述符，128维，所以我想在我的编码阶段，我应该只使用k-means进行量化？我已经通过使用词汇树的分层k-means聚类和每个级别的蛮力搜索获得了很好的性能。如果我需要进一步提高性能，我会考虑使用局部敏感哈希或kd树，并通过PCA进行降维。我推荐使用FLANN。它将为您进行分析，并为您提供适合您特定数据集和内存/性能需求的最佳算法。请看@DonReba，我想做分层k-means。你用什么软件来做这件事？@TyanTowers，只需为
k-means
打开CV。其余的我自己用C++来做，所以为了澄清，你会用KFED来量化你的图像描述符。然后你会用这些描述符做一个kdtree，这样你就可以在对象识别中搜索最近的邻居了？@mugetsu
然后你会用这些描述符做一个kdtree，我已经做了一些基准测试，在处理大量组时，kdtree将我所有的优化都抛到了九霄云外。。。我建议您只运行一些测试：）那么通过使用kdtree，您是否跳过直方图和svm？我不知道这是怎么回事@mugetsu检查我找不到一个更简单的教程…更新上面的链接：有更多的聚类方法比这三个。GMM并不是一种真正的聚类方法，尽管我想你也可以这样使用它。K-means根本不使用标准差，它基于均值和Voronoi细分。当然，还有更多的聚类方法。在kmeans中，对象通过每个簇中的最小标准偏差及其计算的平均值进行选择，所以我也提到了标准偏差。gmm可以作为一种聚类方法，例如，使用三个高斯分布，每个对象都属于它们，并比较它们的概率，就像使用三种平均值的kmeans一样。我只是质疑在问题是“方法a和方法B之间的区别是什么”时提到另一种聚类算法的有用性，考虑到存在如此多的聚类算法，关于k-均值：对象是通过到每个均值的最小距离来选择的（如Voronoi细分），而不是通过标准差。标准偏差从未计算或暗示过。我不想说正在计算的标准偏差（我写错了）。我的意思是这意味着计算，在获得的集群中，每个对象在其他对象中的方差/标准偏差最小。