C++ Flann Matcher培训如何在opencv中工作？

我是opencv的新手。我的问题是:

我有两个列车图像描述符trainA和trainB。 然后我构造一个向量将它们放入，并将它们添加到flann matcher中进行训练

之后，我使用查询图像描述符queryC进行knnMatch并返回一个DMATCH

在这种情况下，哪个列车描述符将用于匹配queryC、trainA或trainB？ 训练如何帮助提高比赛的准确性

提前谢谢。

两者都有。这不是标准意义上的“培训”。这里的“训练”只是指“一组描述符，kd树是基于这些描述符构建的”。 更简单-进行匹配时，从集合S1中提取一个特征，并在集合S2中查找最近的邻居。FLANN（kd树的实现）就是快速找到（近似）最近邻的方法

两者都有。这不是标准意义上的“培训”。这里的“训练”只是指“一组描述符，kd树是基于这些描述符构建的”。 更简单-进行匹配时，从集合S1中提取一个特征，并在集合S2中查找最近的邻居。FLANN（kd树的实现）就是快速找到（近似）最近邻的方法

两者都有。这不是标准意义上的“培训”。这里的“训练”只是指“一组描述符，kd树是基于这些描述符构建的”。 更简单-进行匹配时，从集合S1中提取一个特征，并在集合S2中查找最近的邻居。FLANN（kd树的实现）就是快速找到（近似）最近邻的方法

两者都有。这不是标准意义上的“培训”。这里的“训练”只是指“一组描述符，kd树是基于这些描述符构建的”。

---

更简单-进行匹配时，从集合S1中提取一个特征，并在集合S2中查找最近的邻居。FLANN（kd树的实现）就是快速找到（近似）最近邻的方法

谢谢你的回复，@old ufo。我还可以说，我添加到训练中的训练描述符越多，真正目标的兴趣点就越多，在这方面，训练增加了匹配精度？这不是精度（即精度），而是“回忆”。一方面——是的，另一方面——额外的描述符必须是：1）真正属于对象；2） 如果使用第二近邻比率，则其他描述符必须与现有描述符有足够的差异。否则，他们会在标准洛氏SNN测试中“杀死”对方。很酷，谢谢。因此，基本上，只有合适的描述符才能提高精确度和召回率。感谢您的回复，@old ufo。我还可以说，我添加到训练中的训练描述符越多，真正目标的兴趣点就越多，在这方面，训练增加了匹配精度？这不是精度（即精度），而是“回忆”。一方面——是的，另一方面——额外的描述符必须是：1）真正属于对象；2） 如果使用第二近邻比率，则其他描述符必须与现有描述符有足够的差异。否则，他们会在标准洛氏SNN测试中“杀死”对方。很酷，谢谢。因此，基本上，只有合适的描述符才能提高精确度和召回率。感谢您的回复，@old ufo。我还可以说，我添加到训练中的训练描述符越多，真正目标的兴趣点就越多，在这方面，训练增加了匹配精度？这不是精度（即精度），而是“回忆”。一方面——是的，另一方面——额外的描述符必须是：1）真正属于对象；2） 如果使用第二近邻比率，则其他描述符必须与现有描述符有足够的差异。否则，他们会在标准洛氏SNN测试中“杀死”对方。很酷，谢谢。因此，基本上，只有合适的描述符才能提高精确度和召回率。感谢您的回复，@old ufo。我还可以说，我添加到训练中的训练描述符越多，真正目标的兴趣点就越多，在这方面，训练增加了匹配精度？这不是精度（即精度），而是“回忆”。一方面——是的，另一方面——额外的描述符必须是：1）真正属于对象；2） 如果使用第二近邻比率，则其他描述符必须与现有描述符有足够的差异。否则，他们会在标准洛氏SNN测试中“杀死”对方。很酷，谢谢。因此，基本上，只有适当的描述符才能提高精确度和召回率。