algorithm - kd-Tree 是 K-means 聚类的替代方案吗？

Question

我正在使用 BOW 对象检测，并且正在编码阶段。我已经看到了一些kd-Tree在编码阶段使用的实现，但大多数著作都表明K-means集群是要走的路。

两者有什么区别？

Answer 1

在目标检测中，k-means 用于量化描述符。kd-tree 可用于搜索带或不带量化的描述符。每种方法都有其优点和缺点。具体来说，当描述符维度的数量超过 20 时，kd-trees 并不比暴力搜索好多少。

Answer 2

kd-treeAFAIK 用于标记阶段，它的速度要快得多，当对大量组进行聚类时，数百甚至数千组，然后简单地采用到每个组的所有距离的 argmin 的简单方法，k-meanshttp://en.wikipedia.org/wiki/K-means_clustering是实际的聚类算法，虽然并不总是很精确，但速度很快，一些实现返回组，而其他组和训练数据集的标签，这是我通常使用的http://docs.scipy.org/doc/scipy/reference /generated/scipy.spatial.cKDTree.html结合http://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.vq.kmeans2.html

Answer 3

kd-Tree和K-means算法是两种不同类型的聚类方法。

这里有几种聚类方法如下：

• kd-Tree是一种层次聚类方法（基于中值）。
• K-means是一种基于均值的聚类方法。
• GMM（高斯混合模型）是一种基于概率的聚类方法（软聚类）。
• 等等

---

[更新]：

_{通常，有两种聚类方法，软聚类和硬聚类。像 GMM 这样的概率聚类是软聚类类型，将对象分配给具有概率的聚类，而其他聚类是硬聚类，将对象绝对分配给聚类。}