一个 8192 维的 VLAD 向量每张图像占用 32KB 的内存。如何？
A 8192-dimensional VLAD vector take 32KB of of memory per image. How?
我有一个关于 VLAD 矢量表示的简单问题。一个 8192 维（k=64、128-D SIFT）VLAD 向量如何占用每个图像“32KB 的内存”？我无法将这两个数字联系起来。
如VLFeat documentation所述，VLAD向量的每个元素由
给出
其中 x_i 是一个描述符向量（这里是一个 128 维的 SIFT 向量），u_k 是第 k 簇的中心 - 即也是一个 128-维 SIFT 向量。 q_ik 表示 x_i 和 u_i 之间的关联强度，如果使用 K-means 聚类，则为 0 或 1。因此，每个 v_k 都是 128 维的。
然后通过堆叠所有 v_k:
给出图像 I 的 VLAD 向量
这个向量有k个元素，每个元素都是128维的。
因此，对于 k=64，我们最终得到描述图像 I 的 64 * 128 = 8192 个数字。
最后，如果我们为每个元素使用浮点数，每个数字需要 4 个字节的内存。因此，对于每个图像的 VLAD 向量，我们最终使用了 64 * 128 * 4 = 32768 字节或 32KB 的总内存。
我有一个关于 VLAD 矢量表示的简单问题。一个 8192 维（k=64、128-D SIFT）VLAD 向量如何占用每个图像“32KB 的内存”？我无法将这两个数字联系起来。
如VLFeat documentation所述，VLAD向量的每个元素由
给出其中 x_i 是一个描述符向量（这里是一个 128 维的 SIFT 向量），u_k 是第 k 簇的中心 - 即也是一个 128-维 SIFT 向量。 q_ik 表示 x_i 和 u_i 之间的关联强度，如果使用 K-means 聚类，则为 0 或 1。因此，每个 v_k 都是 128 维的。
然后通过堆叠所有 v_k:
I 的 VLAD 向量
这个向量有k个元素，每个元素都是128维的。
因此，对于 k=64，我们最终得到描述图像 I 的 64 * 128 = 8192 个数字。
最后，如果我们为每个元素使用浮点数，每个数字需要 4 个字节的内存。因此，对于每个图像的 VLAD 向量，我们最终使用了 64 * 128 * 4 = 32768 字节或 32KB 的总内存。