编码方式hard voting与soft voting的学习与比较

《编码方式hard voting与soft voting的学习与比较》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、编码方式HardVoting及SoftVoting的学习02091086张盎农任务要求：1对比学习上述两种编码方式，分析他们的物理意义2编程实现两种算法，对重要参数和重要步骤进行注释，并对比分析两种算法结果；3谈谈对两种编码方式的理解，并从自己的观点阐述从Hardvoting到Softvoting的思想过程一对比学习上述两种编码方式，分析他们的物理意义HardVoting和SoftVoting是应用于特征编码中的。我们在获取了图像特征之后（例如SIFTdescriptors），使用密码本（codebook）对这些特征进行编码。密码本是一群类

2、聚所有descriptor产生的密码集合体。在这里，我们探讨不同编码方式的过程和其结果。HardVoting：在这种编码方式中，每个特征描述子将会被离他最近的密码所表示，即赋值最近的为1而其余的为0。由于只需由一个密码表示，即最终只用到了密码的频率，所以这种编码方式简洁并且快速,所以也是最初人们用在图像分类中的编码方式。但是这种方式在表现特征描述子方面有限制。在物理意义上面，这种编码方式只反映出了密码的频率。SoftVoting：这种编码方式是为了提高上述算法而产生的。首先，特征描述子会用多个密码来表示，其次，相比于上述算法用到的密码频率，

3、取而代之是用高斯核函数计算了特征描述子和密码间的欧氏距离，这种方法虽然较硬投票来说要复杂一些，但它丰富了特征描述子的信息并且使最终结果更加准确，可以使图像分类的准确性提升。在物理意义方面，这种编码表示的是欧氏距离。d1d201HardvotingSoftVoting图1二编程实现两种算法对重要参数和重要步骤进行注释，对比分析两种算法结果；编程序代码：%HardVotingclear;clc;M=fix(10*rand);%随机产生类聚中心的数量X=rand(128,M);%随机产生M个128维descriptorXB=rand(128,M)

4、;%随机产生128维M行codebookfori=1:M;forj=1:M;A(i,j)=norm(X(:,i)-B(:,j));endend%各个特征描述子分别与各个密码子产生的二范数fori=1:M;Amin(i)=min(A(i,:));%找到每个特征描述子与各个密码产生的二范数中最小的一个K(i)=find(A(i,:)==Amin(i));%找到最小的那个的下标endfori=1:M;V(i)=length(find(K==i));end%统计出各个密码出现的频率%SoftVotingsigma=1;%关于高斯核函数中的sigma

5、Ò一直在研究，本文中参考其他文献，将其设为1fori=1:M;forj=1:M;V2(i,j)=exp((-(norm(X(:,i)-B(:,j))).^2)/(2*sigma)^2);end%计算欧氏距离endVV2%显示两种算法的结果并对比结果：图2.1图2.2图2.3图2.4结果分析：图2.1中V为Hardvoting的结果，图2.4中可以看到随机产生的M=6，并且V中第2,3项显示为1，4,6项显示为2，其余为0。原因如图2.2和图2.3所示，A中第一行第4个值最小，即表示第一个特征描述子离第四个密码最近，同理可得出第二个特征描述子

6、离第三个密码最近，第三个特征描述子离第六个密码最近等等。最后统计出被用到密码的次数，即用到第一个密码0次，第二个密码1次，第三个密码1次，第四个密码2次，第五个密码0次，第六个密码2次，用到了密码的频率，从而完成了编码。图2.1中V2为SoftVoting的结果，可以清楚的看到各个特征描述子离各个密码之间的欧氏距离。其中第一行表示第一个特征描述子距各个密码之间的欧氏距离，以此类推。以第一行分析，第四个值最大。原因由图1所示可以看出，数值最大的即表示密码里特征描述子最近。所以特征描述子离第四个密码最近，与硬投票产生的结果一致。以此类推，可知道

7、其他特征描述子的编码原理。但与硬投票不同的地方是除了最近的密码（第四个），特征描述子和其他密码的关系也都能体现出来，并且用欧氏距离的方法表示出来更加清晰，也方便了接下来的分类工作。通过对比，可见SoftVoting更能体现出descriptor的特性。三谈谈对两种编码方式的理解，并从自己的观点阐述从Hardvoting到Softvoting的思想过程第一开始人们只用HardVoting是因为其简洁性，只用到code的频率很容易编码，但是缺点是不能很好的描述descriptor的性质，只是笼统的用一个code代表。这样会造成分类的不准确。而后

8、，人们注意到了需要对descriptor有更详细一点的描述，所以采用了高斯核函数的方法，这样能测量出descriptor到code之间的欧氏距离，所以更能体现出descripto