动态词袋/特征

Question

我正在尝试为一组用户在不同时刻提交的一组图像实现一组功能。

如果集群发生变化，那么我们至少需要重新计算所有“视觉词”哪些元素已经改变了集群。

例如，假设一个 SIFT 描述符 d 在时间 t1 属于集群 A。在t1+1 提交了一个查询，因此集群发生了变化，现在d 属于集群B。所以我们需要重新计算相对于d的“视觉词”（向量）。

您可以想象，这种方法可能过于昂贵（尤其是在查询率很高的情况下）！

我的问题是：有没有比经典词袋更好的模型，或者一些动态聚类算法？

Answer 1

正如您对其他问题的评论，假设视觉词是在一个完整（多样且大）的数据集上训练的。

如果每个有趣的关键点都有足够好的视觉词，那么你不需要更新视觉词，只需将新图像映射到现有词汇表。

即使您假设您的数据不断变化，也没有必要一直更新词汇表。这是一个粗略的近似值 - 在重新计算之后它仍然只是一个粗略的近似值。如果您收到 大量 新数据，更新就足够了。比这更频繁的更新可能会以巨大的成本产生 0.0 的改进。