局部聚合向量note
VLAD stands out for the following reasons:
(1) 计算很原始(加法/减法操作)
(2) 和CNN相比,训练一个VLAD编码器更直接,也不需要大量的训练集
(3) VLAD 被认为是FV的一个特例,所以具有FV的一些性质(例如最重要的Fisher kernel)
(4) 从经验上来看,VLAD is state-of-art accuracy and methods.
VLAD's limitations:
(1)局部描述子是向量形式,然而一些机器视觉的研究认为“结构化数据(例如SPD矩阵、图、正交矩阵)可以提供鲁棒性更强的描述子”
(2)VLAD产生的高维图像集的表达式多数被限制在线性分类器
====
提出一种基于核的方法去解决上述问题。
把描述子映射到再生核希尔伯特空间上,引入一种核化版本的VLAD
references: when VLAD met Hilbert(CVPR)