我正在阅读这篇特别的论文http://www.robots.ox.ac.uk/~vgg/publications/2011/Chatfield11/chatfield11.pdf,我发现带有 GMM 词汇方法的 Fisher Vector 非常有趣,我想测试一下我自己。
然而,(对我来说)他们如何对数据应用 PCA 降维是完全不清楚的。我的意思是,他们是否计算了特征空间,一旦计算出来,他们会对其执行 PCA 吗?还是他们只是在计算 SIFT 之后对每个图像执行 PCA,然后创建特征空间?
这应该对两个训练测试集都进行吗?对我来说,这是一个“显然是”的答案,但还不清楚。
我正在考虑从训练集创建特征空间,然后在其上运行 PCA。然后,我可以使用训练集中的 PCA 系数来减少每个图像的筛选描述符,该描述符将被编码为 Fisher Vector 以供以后分类,无论是测试图像还是训练图像。
编辑1;
简单的例子:
[coef , reduced_feat_space]= pca(Feat_Space','NumComponents', 80);
然后(对于测试和训练图像)
reduced_test_img = test_img * coef;
(然后选择reduce_test_img的前80个维度)
你怎么看?干杯