Usando el modelo BoF, debe aplicar K-Means Clustering para ordenar las muchas palabras visuales que extrajo en las imágenes del conjunto de entrenamiento. Por lo general, el parámetro k, que identifica el número de centros del clúster, es bajo, porque el algoritmo gasta muchos recursos computacionales.
Con Hamming Embedded puede aumentar considerablemente el número de centroides para la cuantización de las palabras visuales, lo que permite una representación más precisa de las palabras visuales (¡se reduce el error de cuantización!).
Pasos de incrustación de Hamming:
- ¿Cuánta potencia informática se necesitaría para simular un mundo virtual que no se puede distinguir del mundo real?
- ¿Cuál es la investigación actual sobre la teoría de la computabilidad?
- ¿Qué problemas de visión por computadora son importantes para un equipo de mapas?
- ¿Cuál tiene un futuro más prometedor: desarrollo web o de software?
- ¿Cómo se puede construir una carrera en investigación en el campo (s) de sistemas operativos y / o redes?
1- subdividir las celdas asociadas a cada palabra visual en regiones (diagrama de Voronoi)
2- calcula una firma binaria para cada palabra visual
3- se produce una coincidencia de características cuando se asignan dos descriptores a la misma palabra visual y la distancia de Hamming entre las firmas binarias es menor o igual que un umbral.
Fuente:
- Incrustación de Hamming y consistencia geométrica débil para la búsqueda de imágenes a gran escala (https://lear.inrialpes.fr/pubs/2…)
- Sobre la explosión de elementos visuales (https://lear.inrialpes.fr/pubs/2…)
