meaning keypoints invariant from features distinctive code computer-vision sift

computer-vision - keypoints - sift prediction



¿Tamiz denso vs tamiz? (5)

¿Cuál es la diferencia entre la implementación del tamiz denso y el tamiz? ¿Cuáles son las ventajas / desventajas de uno a otro? Estoy hablando en particular sobre las implementaciones de VLFeat.

Dense SIFT recopila más funciones en cada ubicación y escala en una imagen, lo que aumenta la precisión de reconocimiento en consecuencia. Sin embargo, la complejidad computacional siempre será un problema para ella (en relación con SIFT normal).

Si está utilizando SIFT para la clasificación, le recomiendo usar SIFT normal con múltiples funciones del kernel (para agrupar en clústeres) como opuesto a usar DIFT SIFT con una única función del kernel lineal. Sin embargo, obtendrás la obvia velocidad / precisión.

Recomiendo revisar this documento que explica las diferencias de implementación en Big-Oh.

En vlfeat.org/overview/dsift.html puede encontrar en detalle cómo se extraen las características de la imagen para SIFT y la implementación densa de SIFT, así como una comparación de su tiempo de ejecución. La principal ventaja del descriptor denso SIFT de VLFeat es la velocidad.

En MediaMixer Deliverable D1.1.2 se presenta una técnica de detección de conceptos en la que se utilizan los descriptores SIFT y SIFT densos, y los resultados experimentales han demostrado que esta combinación proporciona una clasificación más precisa. Para obtener más información, puede unirse al portal de la comunidad de MediaMixer en http://community.mediamixer.eu/ .

En general, para el reconocimiento de categorías de objetos genéricos, se obtienen mejores resultados utilizando la extracción de características densas en lugar de la extracción de características basada en puntos clave.

La diferencia obvia es que con SIFT denso obtiene un descriptor de SIFT en cada ubicación, mientras que con la selección normal obtiene descripciones de SIFT en las ubicaciones determinadas por el algoritmo de Lowe''s.

Hay muchas aplicaciones en las que necesita SIFT no denso, un gran ejemplo es el trabajo original de Lowe''s.

Existen muchas aplicaciones en las que se han obtenido buenos resultados al calcular un descriptor en todas partes (densamente), uno de estos ejemplos es this . Un descriptor similar a SIFT denso se llama HOG o DHOG, técnicamente no son lo mismo pero conceptualmente están basados ​​en histogramas de gradientes y son muy similares.