Image processing 需要关于sift特性的建议-有好的特性吗？

我正在尝试vlfeat，从一个图像数据库中获得了大量的特征，我正在用地面真实值测试平均精度（MAp）。总的来说，我得到了大约40%。我看到一些论文得到了更高的地图，同时使用了与我非常相似的技术；标准的文字袋

我目前正在寻找一个答案，以获得更高的地图的标准袋字技术。虽然我看到还有其他的实现，比如SURF等等，但在这个问题上，让我们继续使用标准的Lowe's SIFT和标准的单词包

事情是这样的，我看到vl_-sift得到了阈值，允许你在特征选择上更加严格。目前，我了解到，选择更高的阈值可能会使您获得更小、更有意义的“好”功能列表，并可能减少一些嘈杂的功能“良好”特征意味着，给定具有不同变化的相同图像，在其他图像上也会检测到非常相似的特征

然而，我们应该为这个阈值设定多高？有时，我看到一幅图像根本不返回具有更高阈值的特征。起初，我想继续调整阈值，直到我得到更好的地图。但是，我认为继续调整只是为了找到各自数据库的最佳映射是个坏主意。因此，我的问题是：

虽然调整阈值可能会减少功能的数量，但增加阈值是否总是返回数量较少但更好的功能

是否有更好的方法来获得良好的特性

还有哪些因素可以提高获得良好特征的速度

---

看看近年来为应对帕斯卡挑战而发表的一些论文。他们似乎给我的印象是，标准的“特征检测”方法不能很好地与单词袋技术配合使用。仔细想想，这是有道理的——BoW的工作原理是将许多弱的、通常是不相关的功能组合在一起。它不是检测特定的对象，而是识别对象和场景的类别。因此，过分强调正常的“关键功能”可能弊大于利

因此，我们看到人们使用密集网格甚至随机点作为他们的特征。根据经验，在Harris角点、LoG、SIFT、MSER或任何类似方法上使用这些方法中的一种，都会对性能产生巨大的积极影响

要直接回答您的问题：

对。从：

通过消除可能不稳定的关键点，可以进一步细化关键点，这可能是因为这些关键点选择在图像边缘附近，而不是图像斑点，或者是在低对比度的图像结构上。过滤由以下各项控制：
峰值阈值。这是接受关键点的最小对比度。通过vl_SIFT_set_peak_thresh（）配置SIFT filter对象来设置它。
边缘阈值。这是边缘拒绝阈值。通过vl_SIFT_set_edge_thresh（）配置SIFT filter对象来设置

您可以在“检测器参数”部分中看到两个阈值的示例

研究表明，与使用更“智能”的方法（例如：SIFT、Harris、MSER）选择的特征相比，从场景中密集选择的特征产生更多描述性的“单词”。用vl_feat的实现试试你的文字包管道。您应该会看到性能有了很大的提高（假设您的“单词”选择和分类步骤得到了很好的调整）

在一组密集的特征点之后，该领域的最大突破似乎是“空间金字塔”方法。这增加了为图像生成的单词数量，但为特征提供了一个位置方面——这是单词包中固有的不足。在那之后，确保你的参数得到了很好的调整（你正在使用的特征描述符（SIFT、HOG、SURF等），你的词汇表中有多少单词，你在使用什么分类器等等）。。你在积极的研究领域。享受=）

---

第一，是的，我知道这样的选择，但是，就像我说的：起初，我想继续调整阈值，直到我得到更好的地图。但是，我认为继续调整只是为了找到各自数据库的最佳映射是个坏主意。比如说，有没有更好的方法来做到这一点，或者我必须潜入深渊，希望通过许多实验我能得到更好的结果？你看，这需要时间。与你使用的参数化方法无关，像你说的那样调整参数是比较常见的。但是，这样做的方法不同于那样使用整个数据集。您要做的是在训练和测试中分离数据，然后调整训练数据的参数，并检查它们对训练数据的作用。为了获得准确的结果，有多种方法可以实现训练和测试之间的分离，但这些都是机器学习的基础。你在做这种形式的分离吗？这篇文章没有提到。