Qual è la differenza tra l'implementazione di setacciamento denso e come setacciare? Quali sono i vantaggi/svantaggi di uno rispetto all'altro? Sto parlando in particolare delle implementazioni di VLFeat.Dense sift vs sift?
La differenza evidente è che da una fitta SIFT si ottiene un descrittore SIFT in ogni posizione, mentre con sift normale si ottiene un descrizioni SIFT ai luoghi stabiliti dal algoritmo di Lowe.
Esistono molte applicazioni in cui è necessario SIFT non denso, un ottimo esempio è il lavoro originale di Lowe.
Ci sono molte applicazioni in cui sono stati ottenuti buoni risultati calcolando un descrittore ovunque (densamente) uno di questi è this. Un descrittore simile al denso SIFT si chiama HOG o DHOG, tecnicamente non sono la stessa cosa ma concettualmente entrambi basati su istogrammi di gradienti e sono molto simili.
In genere, per il riconoscimento di categorie di oggetti generici, i risultati migliori si ottengono utilizzando l'estrazione di feature densa anziché l'estrazione di feature basata su punti chiave.
Su http://www.vlfeat.org/overview/dsift.html è possibile trovare in dettaglio come vengono estratte le funzionalità dell'immagine sia per l'implementazione SIFT e SIFT densa, sia per un confronto tra i rispettivi tempi di esecuzione. Il vantaggio principale del descrittore SIFT denso VLFeat è la velocità.
In MediaMixer Deliverable D1.1.2 viene presentata una tecnica di rilevamento di concetti in cui vengono utilizzati sia i descrittori SIFT che i densi descrittori SIFT ei risultati sperimentali hanno dimostrato che questa combinazione fornisce una classificazione più accurata. Per ulteriori informazioni è possibile aderire al portale della community MediaMixer su http://community.mediamixer.eu/.
Denso SIFT raccoglie più funzioni in ogni posizione e scala in un'immagine, aumentando di conseguenza la precisione del riconoscimento. Tuttavia, la complessità computazionale sarà sempre un problema (in relazione al normale SIFT).
Se si utilizza SIFT per la classificazione, si consiglia di utilizzare SIFT normale con più funzioni del kernel (per il clustering) come opposto all'utilizzo di SIFT denso con una funzione kernel lineare singola. Tuttavia, otterrai l'ovvio compromesso tra velocità e accuratezza.
Si consiglia di verificare la carta this che spiega le differenze di implementazione in Big-Oh.
Si prega di compilarlo nella fase di raggruppamento. – mrgloom
È possibile leggere ulteriori informazioni su DenseSIFT nei dettagli di implementazione VLFeat.
DenseSIFT è più veloce (x30-x60 speedup).
http://www.vlfeat.org/overview/dsift.html http://www.robots.ox.ac.uk/~vedaldi/assets/pubs/vedaldi10vlfeat-tutorial.pdf
Questa è una buona risposta, ma l'osservazione sulla fitta SIFT essere chiamato HOG non è corretto. Sebbene siano entrambi basati su contenitori di gradienti, HOG e SIFT sono due descrittori diversi (densi o meno, sebbene il HOG sia tipicamente campionato densamente). – Jotaf
@Jotaf: hai ragione, io stavo semplificando eccessivamente. Ho modificato la mia risposta un po '. – carlosdc
Se si computa SIFT originale in ogni punto non si ottiene denso SIFF http://www.vlfeat.org/overview/dsift.html – mrgloom