PCA 在视觉词/特征袋中产生维度？答案

【问题标题】：PCA resulting dimension in Bag of Visual Words/Features?PCA 在视觉词/特征袋中产生维度？
【发布时间】：2016-10-03 10:18:05
【问题描述】：

在this 问题中，我问Bag of Features 模型中向量的合理尺寸是多少。由于k 很大，因此维数太大而无法有效管理，因此执行PCA 以减少维数。 在这样的应用程序中，通常得到的向量维度是多少（与起始 k 维度向量相关）？

【问题讨论】：

【解决方案1】：

通常，不使用 PCA。

因为你会失去稀疏性。出于性能原因，您希望使用稀疏向量，因此不要使用 PCA。

【讨论】：

好的，那么我应该如何使用（比方说）一个 1000 维向量？例如对于最近邻问题，以找到最相似的图像。我听说 BOF 向量有数千维，而 NN 算法处理（最多）数百维
把它们当作单词。您也不会在文本上运行 PCA。这就是“视觉文字”的重点，使用文本技术。
那么您是否建议使用倒排索引，其中索引的每个单词都是一个视觉词（对应于我们向量的某个维度）？
那将是文本的规范索引，是的。在这样的索引中包含 100000 个单词是相当标准的。
好的，在这样的倒排索引中，查询是如何管理的呢？我的意思是，给定一个特定的图像查询，我们检索包含所有查询单词的所有图像，然后我们计算欧几里德/卡方距离，以便找到所有候选者之间最相似的图像？