LSH 是关于将向量转换为二进制向量以获得汉明距离吗？
Is LSH about transforming vectors to binary vectors for hamming distance?
我读了一些关于 LSH 的论文，我知道它用于解决近似 k-NN 问题。我们可以将算法分为两部分：
给定一个 D 维（其中 D 大）任意值的向量，用一组 N（其中 N<<D) 哈希函数到 N 维度的二进制向量。
使用汉明距离，对从阶段 1 获得的给定二进制代码集应用一些搜索技术以找到 k-NN。
关键是使用 XOR 可以快速计算 N 维向量的汉明距离。
无论如何，我有两个问题：
要点1.如果我们使用二进制描述符，比如ORB，还有必要吗？既然ORB的描述符已经是二进制的了，我们使用汉明距离来比较它们，为什么还要进行第一点呢？
如何对 SIFT 描述的图像进行转换？每个 SIFT 描述符为 128 位，每个图像由一组描述符描述。所以我们有矩阵 descX128（其中 desc 是使用的描述符的数量），而 LSH 通常接受一个向量作为输入。
1) 你可以绕过它，但是 然后你将在 D 维度工作，而不是你说的 N。其中 N << D。这意味着该算法也必须适应 D 维度。
2) 否.
- Keypoint Descriptor
Now keypoint descriptor is created. A 16x16 neighbourhood around the
keypoint is taken. It is devided into 16 sub-blocks of 4x4 size. For
each sub-block, 8 bin orientation histogram is created. So a total of
128 bin values are available. It is represented as a vector to form
keypoint descriptor. In addition to this, several measures are taken
to achieve robustness against illumination changes, rotation etc.
我的想法是这样的，希望足够了：
LSH 以 n 点的点集作为输入，其中每个点都位于 d 维度中。
因此，查询是一个点，在 d 维度中，目标是找到它的 NN*.
现在每个点，代表一个图像描述符。所以，我们有 n 图片
数据集.
查询，也是一个点（即向量d
坐标），表示另一个图像描述符。
我们正在寻求匹配（即找到最近的邻居）
使用我们数据集中的图像描述符查询图像描述符。
所以你所说的转换是在向量中应用的，不是矩阵。
编辑:
此外，根据我们的 High-dimensional approximate nearest neighbor: k-d Generalized Randomized Forests 论文，请参阅 实验 部分：
SIFT is a 128-dimensional vector that describes a local image patch by
histograms of local gradient orientations.
我读了一些关于 LSH 的论文，我知道它用于解决近似 k-NN 问题。我们可以将算法分为两部分：
给定一个
D维（其中D大）任意值的向量，用一组N（其中N<<D) 哈希函数到N维度的二进制向量。使用汉明距离，对从阶段 1 获得的给定二进制代码集应用一些搜索技术以找到 k-NN。
关键是使用 XOR 可以快速计算 N 维向量的汉明距离。
无论如何，我有两个问题：
要点1.如果我们使用二进制描述符，比如ORB，还有必要吗？既然ORB的描述符已经是二进制的了，我们使用汉明距离来比较它们，为什么还要进行第一点呢？
如何对 SIFT 描述的图像进行转换？每个 SIFT 描述符为 128 位，每个图像由一组描述符描述。所以我们有矩阵
descX128（其中desc是使用的描述符的数量），而 LSH 通常接受一个向量作为输入。
1) 你可以绕过它，但是 然后你将在 D 维度工作，而不是你说的 N。其中 N << D。这意味着该算法也必须适应 D 维度。
2) 否.
- Keypoint Descriptor
Now keypoint descriptor is created. A 16x16 neighbourhood around the keypoint is taken. It is devided into 16 sub-blocks of 4x4 size. For each sub-block, 8 bin orientation histogram is created. So a total of 128 bin values are available. It is represented as a vector to form keypoint descriptor. In addition to this, several measures are taken to achieve robustness against illumination changes, rotation etc.
我的想法是这样的，希望足够了：
LSH 以 n 点的点集作为输入，其中每个点都位于 d 维度中。
因此，查询是一个点，在 d 维度中，目标是找到它的 NN*.
现在每个点，代表一个图像描述符。所以，我们有
n图片 数据集.查询，也是一个点（即向量
d坐标），表示另一个图像描述符。我们正在寻求匹配（即找到最近的邻居） 使用我们数据集中的图像描述符查询图像描述符。
所以你所说的转换是在向量中应用的，不是矩阵。
编辑:
此外，根据我们的 High-dimensional approximate nearest neighbor: k-d Generalized Randomized Forests 论文，请参阅 实验 部分：
SIFT is a 128-dimensional vector that describes a local image patch by histograms of local gradient orientations.