局部聚合向量note
VLAD stands out for the following reasons:
(1) 計算很原始(加法/減法操作)
(2) 和CNN相比,訓練一個VLAD編碼器更直接,也不需要大量的訓練集
(3) VLAD 被認爲是FV的一個特例,所以具有FV的一些性質(例如最重要的Fisher kernel)
(4) 從經驗上來看,VLAD is state-of-art accuracy and methods.
VLAD's limitations:
(1)局部描述子是向量形式,然而一些機器視覺的研究認爲“結構化數據(例如SPD矩陣、圖、正交矩陣)可以提供魯棒性更強的描述子”
(2)VLAD產生的高維圖像集的表達式多數被限制在線性分類器
====
提出一種基於核的方法去解決上述問題。
把描述子映射到再生核希爾伯特空間上,引入一種核化版本的VLAD
references: when VLAD met Hilbert(CVPR)