基于統(tǒng)計(jì)流形的Bag of Features降維研究與應(yīng)用.pdf

1、Bag of features方法自從2003年提出以來，在計(jì)算機(jī)視覺領(lǐng)域特別是圖像分類和圖像檢索上得到了廣泛的應(yīng)用。它將每幅圖像的局部特征集合映射成一個(gè)視覺詞匯頻率分布的直方圖,使得圖像僅需要使用一個(gè)直方圖向量描述即可。但是，低維度的BOF向量缺乏辨識(shí)能力。為了保留足夠多的信息，向量的尺寸一般維持在1000~4000維。這不僅導(dǎo)致了存儲(chǔ)空間和計(jì)算時(shí)間上很高的復(fù)雜度，而且高維向量的“維數(shù)災(zāi)難”問題，使得高維索引方法隨著維數(shù)升高性能急劇下

2、降。因此，有必要在使用BOF向量之前先對(duì)其進(jìn)行維數(shù)約簡，而傳統(tǒng)的PCA線性降維算法無法反映出數(shù)據(jù)之間所隱藏的非線性性質(zhì)，在低維情況下對(duì)BOF向量的分類和查詢性能有較大影響。
　　針對(duì)這種情況，本文提出了一種新的基于統(tǒng)計(jì)流形的非線性降維算法，能夠在保證數(shù)據(jù)信息足夠完整的條件下合理的約減BOF向量的維數(shù)。本文利用BOF向量本身是概率密度函數(shù)這一特點(diǎn)，引入fisher信息距離作為相似度度量標(biāo)準(zhǔn)，然后使用MDS算法將統(tǒng)計(jì)流形空間的距離信息