在计算机视觉中使用词袋的原因

Question

为什么要在计算机视觉中选择词​​袋方法？

例如：如果使用 HOG 特征作为描述符并将 BOW 方法应用于此特征，则结果将是直方图的直方图。

我可以看到这种方法降维的优势以及生成的 bin 的固定大小，但这真的是唯一的原因吗？因为减少也会导致信息丢失。

我还可以考虑将图像大小调整为固定的通常较小的尺寸并计算 HOG。结果向量也将具有固定大小，因此它也可以与分类器一起使用。这也会导致信息丢失，尤其是当固定图像尺寸非常小时，但不会像 k 均值那样剧烈。

Answer 1

我认为这个想法是这样的：低级特征检测器找到小的“相关”补丁，描述符 + k-means 算法将它们打包成包，如“前灯”、“轮胎”、“a车顶”。然后，如果您发现一对车头灯、两个轮胎和一个车顶，那么您可能正在看一辆车。

优势在于轮胎和前灯的位置无关紧要，因此无论您看的是侧视图还是前视图还是其他视图都无关紧要汽车模型。如果将特征描述符直接应用于整个图像，侧视图和前视图将得到完全不同的描述。