PCA在筛分和费舍尔矢量

Question

我正在阅读这篇特别的论文http://www.robots.ox.ac.uk/~vgg/publications/2011/Chatfield11/chatfield11.pdf，我发现Fisher矢量与GMM词汇的方法非常有趣，我想自己测试一下。

但是，对于我来说，他们如何将PCA维度降低应用于数据是完全不清楚的。我的意思是，他们是否计算特征空间，一旦计算出来，他们会对其执行PCA？或者他们只是在计算SIFT之后在每个图像上执行PCA，然后创建特征空间？

这是否应该为两个训练测试集完成？对我来说，这是一个'明显是'的答案，但不清楚。

我正在考虑从训练集创建特征空间，然后在其上运行PCA。然后，我可以使用训练集中的PCA系数来减少将要编码到Fisher Vector中的每个图像的筛选描述符，以供以后分类，无论它是测试还是火车图像。

编辑1;

简单的例子：

[coef , reduced_feat_space]= pca(Feat_Space','NumComponents', 80); 

，然后（用于测试和训练图像）

reduced_test_img = test_img * coef;（然后选择第80个尺寸reduced_test_img的）

你觉得呢？干杯

Answer 1

它在我看来就像他们先做SIFT，然后做PCA。 2.1节文章说“局部描述符固定在所有实验是SIFT描述......”

也是在引言部分“以下三个步骤：局部图像特征（i）提取 （例如，SIFT描述符），（ii）图像描述符中的局部特征的编码（例如，量化的局部特征的直方图），以及（iii）分类...最近几位作者已经集中于改善第二部分“所以在我看来，维度降低发生在SIFT之后，并且论文只是谈论几种不同的方法来做这件事，并且每个人的表现都不同。我也猜测（如你所做的那样），你将不得不在两组图像上运行它。否则，你会使用两种不同的度量来对图像进行分类，就像比较苹果和橘子一样。将缩小的尺寸表示与完整的表示进行比较（即使是相同的确切图像）也会显示一些变化。事实上，这是PCA的整个前提，您为了计算效率放弃了一些较小的特性（通常）。与PCA或降维算法真正的问题是我多少信息可以放弃，仍然可靠的分类/段不同的数据集

而且作为最后一点，你就必须把两个图像以同样的方式，因为您的最终目标是使用Fisher特征向量进行分类，如测试或训练。现在想象你决定训练图像不要PCA和测试图像。现在我给你一些图片X，你会用它做什么？在你分类之前，你怎么能把一套图像与另一套图像区别开来？在两组上使用相同的技术意味着你会处理我的图像X，然后决定把它放在哪里。

无论如何，我希望有所帮助，而不是咆哮般的。好运:-)