图像检索学习

图像检索的本质是特征提取与相似度计算。

相同物体图像检索面临的挑战：光照、尺度、视角、遮挡、背景杂乱等变化。
相似类别图像检索面临的挑战：类内变化大、类间相似性干扰。

图像局部特征：图像关键位置。例如角点（即极值点，例如图像轮廓的连接点）、关键点（分析特定问题有帮助的点）。
尺度不变特征转换(Scale-invariant feature transform 或 SIFT)：在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变数。
优点：关注图像局部信息，尺度不变性。
缺点：提取数量不固定，容易受到数字影响。

图像全部特征：图像整体统计信息。例如颜色直方图、CNN特征。
颜色直方图：不同颜色在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。适于描述难以进行自动分割的图像。
优点：全局信息，维度固定。
确定：对尺度变换敏感。

词袋模型

图像在训练好的CNN中计算feature map:
优点:(1)比较有效的特征
(2)可以使用GPU进行计算
(3)可以利用训练模型的信息

无标签情况下，对图像进行feature map编码:
MAC:max-pooling
GeM:广义归一化编码

图像检索 学习