动态词袋/特征
Dynamic Bag of Words / Features
我正在尝试为一组用户在不同时刻提交的一组图像实施功能包。
如果簇发生变化，那么我们至少需要重新计算所有 "visual words" 哪些元素发生了簇变化。
例如，假设一个 SIFT 描述符 d 在时间 t1 属于集群 A。在 t1+1 处提交了一个查询，因此集群发生了变化，现在 d 属于集群 B。所以我们需要重新计算 "visual word" （向量）相对于 d.
如您所想，这种方法可能过于昂贵（尤其是在查询率很高的情况下）！
我的问题是：有没有比经典词袋更好的模型，或者一些动态聚类算法？
正如对您的其他问题的评论，假设 视觉词是在足够完整（多样化和大）的数据集上训练的。
如果每个有趣的关键点都有足够好的视觉词，那么就不需要更新视觉词，只需要将新图像映射到现有词汇表即可。
即使您假设数据不断变化，始终更新词汇表也没有用。这是一个粗略的近似值——重新计算后它仍然只是一个粗略的近似值。如果您收到 大量 的新数据，更新就足够了。比这更频繁地更新可能会以巨大的成本产生 0.0 的改进。
我正在尝试为一组用户在不同时刻提交的一组图像实施功能包。
如果簇发生变化，那么我们至少需要重新计算所有 "visual words" 哪些元素发生了簇变化。
例如，假设一个 SIFT 描述符 d 在时间 t1 属于集群 A。在 t1+1 处提交了一个查询，因此集群发生了变化，现在 d 属于集群 B。所以我们需要重新计算 "visual word" （向量）相对于 d.
如您所想，这种方法可能过于昂贵（尤其是在查询率很高的情况下）！
我的问题是：有没有比经典词袋更好的模型，或者一些动态聚类算法？
正如对您的其他问题的评论，假设 视觉词是在足够完整（多样化和大）的数据集上训练的。
如果每个有趣的关键点都有足够好的视觉词，那么就不需要更新视觉词，只需要将新图像映射到现有词汇表即可。
即使您假设数据不断变化，始终更新词汇表也没有用。这是一个粗略的近似值——重新计算后它仍然只是一个粗略的近似值。如果您收到 大量 的新数据，更新就足够了。比这更频繁地更新可能会以巨大的成本产生 0.0 的改进。