C++ 功能包是如何工作的？

我不确定这是否是这个问题的正确论坛，否则我很抱歉

我对这个模型非常陌生，我正在尝试实现通过向量表示图像（对于CBIR项目）

据我所知，给定一组

n

图像的

S

，并假设我们希望通过大小

k

的向量来表示图像，以下是实现BoF的步骤：

对于每个图像

i

，计算关键点集，并从中计算描述符集

i-D

将所有图像中的描述符集合放在一起，现在我们有了

D

在

D

上运行

k

means（上面定义了

k

）算法，因此现在我们有了

k

簇，每个描述符向量恰好属于一个簇

将

iv

定义为相对于图像

i

的结果BoF向量（大小

k

）。每个维度都初始化为0

对于每个图像

i

，以及属于

i-d

的每个描述符

d

，找出所有

k

簇之间的

d

簇。假设

d

属于

j

-th集群，则

vi[j]++

我不清楚的是如何实现第5点，那么我们如何理解描述符属于哪个集群，特别是如果我们试图计算BoF向量的图像是查询图像（因此不属于初始数据集）？为了了解查询描述符属于哪个集群，我们应该找到最近邻（1-NN）吗

我为什么需要它-应用程序：

我实现BoF模型是为了实现CBIR：给定一个查询图像

q

，在图像数据集中找到与

q

最相似的图像

I

。为了做到这一点，我们需要解决1-近似最近邻问题，例如使用。问题是，LSH中的每个图像的输入都表示为一个向量，因此我们需要BoF来实现这一点！我希望现在我需要它的原因更清楚了：）

---

如果我在上述过程中犯了错误，请告诉我。

您的算法所做的是为图像生成等价的单词。这组“单词”并不意味着是最终的结果，而只是使其与其他机器学习技术一起使用变得简单的东西

在此设置中，将从初始特征（点1的关键点）生成一组k簇。 然后根据每个簇中的关键点数量来描述每个图像（就像有一个由长度为k的字典中的单词组成的文本一样）

第3点说，从训练集图像中获取所有关键点，然后运行，以确定这些点之间的合理间隔。这基本上确定了单词的含义

因此，对于一个新图像，你需要像对训练集那样计算关键点，然后使用你在训练中已经计算出的聚类，计算出新图像的特征向量。也就是说，您可以从自己创建的词典中将图像转换为单词

---

这是一种从图像中生成合理特征向量的方法（如果需要，可以是部分结果）。这不是一个完整的机器学习算法。要完成它，你需要知道你想做什么。如果您只想找到最相似的图像，那么是的，最近邻搜索应该可以做到这一点。如果你想给图像添加标签，那么你需要从特征向量中训练一个分类器（比如朴素贝叶斯），并用它来找出查询的标签。

对不起，我很愚蠢！这不是第三点。（这只是k-means），但是第5点。（我们通过将每个描述符关联到一个簇并定义直方图来定义结果向量）。因此，我仍然不清楚的是“给定一个图像查询，我们如何获得结果的BoF向量”？我们必须为每个描述符找到数据集中的1-NN描述符，并将其与相对集群相关联？如果我不清楚，请告诉我是的，要分配描述符，您可以获取最近的邻居。你可以根据你的训练数据计算每个集群的半径，并且只有当查询点在该半径范围内时才分配它（以防你开始得到与训练数据非常不同的查询）。哇，这很聪明，没有想到半径技巧！谢谢你们能看一下这个问题吗？