关于CBIR里的特征提取

你用什么方法来做Training呢？ 【 在 lile230 (Hyman) 的大作中提到: 】 : 用了SIFT做keypoint提取和描述，发现每幅图，基本上能取8，900个keypoint，每个点又有128个分量描述，这样一幅图估计有10w个分量，完全做不了training。。。 : 问一下，怎样才能把一幅图的特征矢量降到8，90维呢？

【 在 firefox 的大作中提到: 】 : 你用什么方法来做Training呢？ svm

【 在 lile230 的大作中提到: 】 : 用了SIFT做keypoint提取和描述，发现每幅图，基本上能取8，900个keypoint，每个点又有128个分量描述，这样一幅图估计有10w个分量，完全做不了training。。。 : 问一下，怎样才能把一幅图的特征矢量降到8，90维呢？ 向量不是乘起来做的，没有那么常的向量，要对sift特征量化成直方图，这是现在最多的方法！！！

svm中一般的kernel都要求每个样本的特征维数相同，由于每幅图片的特征点数不同，所以如果把所有的128维向量串起来是无法训练的。 目前主流的方式是用Kmeans等方式聚类出D个中心点，然后对所有的SIFT描述子进行矢量量化，再求出每幅图片的直方图，也就是使用所谓的bag-of-words模型进行图片的表达。 【 在 lile230 (Hyman) 的大作中提到: 】 : svm

【 在 firefox 的大作中提到: 】 : svm中一般的kernel都要求每个样本的特征维数相同，由于每幅图片的特征点数不同，所以如果把所有的128维向量串起来是无法训练的。 : 目前主流的方式是用Kmeans等方式聚类出D个中心点，然后对所有的SIFT描述子进行矢量量化，再求出每幅图片的直方图，也就是使用所谓的bag-of-words模型进行图片的表达。 请问你是哪个实验室的同学？？

pris 【 在 luoye (清风) 的大作中提到: 】 : 请问你是哪个实验室的同学？？