Computer vision 密集筛分vs筛分？

与sift相比，密集sift实现有什么不同？两者的优缺点是什么？我特别谈论的是VLFeat实现。

明显的区别是，使用密集的SIFT，您可以在 每个位置，当使用普通筛选时，您可以在 由Lowe算法确定的位置

有许多应用程序需要非稠密筛选，Lowe的原始工作就是一个很好的例子

在很多应用中，通过计算一个

---

描述符无处不在（密集）一个这样的例子是。类似于稠密SIFT的描述符称为HOG或DHOG，它们在技术上不同，但在概念上都基于梯度直方图，并且非常相似。

一般来说，对于一般对象类别识别，使用密集特征提取而不是基于关键点的特征提取可以获得更好的结果。

上，您可以详细了解如何为SIFT和密集SIFT实现提取图像特征，以及它们的执行时间比较。VLFeat密集SIFT描述符的主要优点是速度快

---

在概念检测技术中，同时使用了SIFT和稠密SIFT描述符，实验结果表明，这种组合提供了更准确的分类。有关更多信息，您可以在上加入MediaMixer社区门户。

Dense SIFT在图像的每个位置和比例收集更多功能，从而提高识别精度。然而，计算复杂性始终是it的一个问题（与正常SIFT相关）

如果您使用SIFT进行分类，我建议使用多核函数的普通SIFT（用于聚类），而不是使用单一线性核函数的密集SIFT。不过，你会得到明显的速度/准确性权衡

---

我建议你看看这篇文章，它解释了在Big Oh中的实现差异

您可以在VLFeat实现详细信息中阅读有关DenseSIFT的更多信息

密度提升更快（x30-x60加速）

---

这是一个很好的答案，但关于将致密筛称为HOG的说法是不正确的。虽然它们都是基于梯度箱，但HOG和SIFT是两个不同的描述符（密集与否；尽管HOG通常是密集采样）。@Jotaf：你说得对，我过于简单化了。我对我的答案做了一点修改。若你们在每个点上计算原始的筛选，你们并没有得到密集的筛选，请在聚类步骤上进行eleborate。