PCA在篩分和費舍爾矢量

Question

我正在閱讀這篇特別的論文http://www.robots.ox.ac.uk/~vgg/publications/2011/Chatfield11/chatfield11.pdf，我發現Fisher矢量與GMM詞彙的方法非常有趣，我想自己測試一下。

但是，對於我來說，他們如何將PCA維度降低應用於數據是完全不清楚的。我的意思是，他們是否計算特徵空間，一旦計算出來，他們會對其執行PCA？或者他們只是在計算SIFT之後在每個圖像上執行PCA，然後創建特徵空間？

這是否應該爲兩個訓練測試集完成？對我來說，這是一個'明顯是'的答案，但不清楚。

我正在考慮從訓練集創建特徵空間，然後在其上運行PCA。然後，我可以使用訓練集中的PCA係數來減少將要編碼到Fisher Vector中的每個圖像的篩選描述符，以供以後分類，無論它是測試還是火車圖像。

編輯1;

簡單的例子：

[coef , reduced_feat_space]= pca(Feat_Space','NumComponents', 80); 

，然後（用於測試和訓練圖像）

reduced_test_img = test_img * coef;（然後選擇第80個尺寸reduced_test_img的）

你覺得呢？乾杯

Answer 1

它在我看來就像他們先做SIFT，然後做PCA。 2.1節文章說「局部描述符固定在所有實驗是SIFT描述......」

也是在引言部分「以下三個步驟：局部圖像特徵（i）提取 （例如，SIFT描述符），（ii）圖像描述符中的局部特徵的編碼（例如，量化的局部特徵的直方圖），以及（iii）分類...最近幾位作者已經集中於改善第二部分「所以在我看來，維度降低發生在SIFT之後，並且論文只是談論幾種不同的方法來做這件事，並且每個人的表現都不同。我也猜測（如你所做的那樣），你將不得不在兩組圖像上運行它。否則，你會使用兩種不同的度量來對圖像進行分類，就像比較蘋果和橘子一樣。將縮小的尺寸表示與完整的表示進行比較（即使是相同的確切圖像）也會顯示一些變化。事實上，這是PCA的整個前提，您爲了計算效率放棄了一些較小的特性（通常）。與PCA或降維算法真正的問題是我多少信息可以放棄，仍然可靠的分類/段不同的數據集

而且作爲最後一點，你就必須把兩個圖像以同樣的方式，因爲您的最終目標是使用Fisher特徵向量進行分類，如測試或訓練。現在想象你決定訓練圖像不要PCA和測試圖像。現在我給你一些圖片X，你會用它做什麼？在你分類之前，你怎麼能把一套圖像與另一套圖像區別開來？在兩組上使用相同的技術意味着你會處理我的圖像X，然後決定把它放在哪裏。

無論如何，我希望有所幫助，而不是咆哮般的。好運:-)