Large Scale Matching

以前由于图片数量的限制，我们一般对图片做detection，然而随着网络的快速发展，图片的数量也快速增长，我们几乎可以拥有所有图片，因此detection问题转化为matching问题。然而如何在这大量图片中实现匹配呢？解决该问题关键在于怎样对图片进行有效降维，即用更少的空间代表图片，一般我们用二值化的向量来表示。这样不仅可以减少存储空间，并且可以提高匹配速度。更重要的是相似的图片具有相同的编码，因此大大地减少了搜索空间。

现有的方法包含以下几种：

1、Local Sensitive Hashing(LSH):使用多个hash function，将每个hash function值量化为few bits，这样整个特征空间被划分为若干个区域，相似的图片具有相似的编码。

2、RBM：是机器学习的基础算法。它的输出即为降维后的二值向量

3、BoostSCC：即学习阈值来量化LSH中hash function的值。

4、Spectral Hashing:通过学习的方法来得到二值化向量。主要思想是如何找到一个特征表示，使hamming distance的相似度与原特征空间（在这里认为是欧式空间）中的相似度一致，即相似的图片hamming distance越小，反之越大。目标函数即最小化hamming distance，hamming distance的权值使用欧式空间的相似度来表示，exp[-pow(xi-xj)/t]，t为欧式空间中与xi相似的特征的最大距离。

通过实验发现，RBM的结果最好，搜索空间最小。这个也很好理解，RBM通过多层学习，学到的特征自然比其它方法得到的特征更具。

2014-03-27 14:03:15