kd-tree是k的替代方法意味着聚类？

Question

我正在使用BOW对象检测，我正在编码阶段。我已经看到一些在编码阶段使用kd-tree的实现，但大多数写作都表明kmeans聚类是要走的路。两者有什么区别？

Answer 1

在物体检测中，k-means用于量化描述符。可以使用kd树来搜索具有或不具有量化的描述符。每种方法都有其优点和缺点。具体来说，当描述符维度的数量超过20时，kd-tree并不比强力搜索好得多。

Answer 2

kd-tree AFAIK用于标记阶段，它更快，当聚集在大量群体上时，数百甚至数千，然后简单地将所有距离的argmin带到每个群体的简单方法，k-means http://en.wikipedia.org/wiki/K-means_clustering是实际的聚类算法，它的快速但并不总是非常精确，一些实现返回组，而其他实现了训练数据集的组和标签，这就是我通常使用的{{ 3}}与http://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.cKDTree.html

结合使用

Answer 3

kd-Tree和K-means算法是两种不同类型的聚类方法。

以下是几种类型的聚类方法：

• kd-Tree是一种hierarchical-clustering方法（基于中位数）。
• K-means是基于均值的聚类方法。
• GMM（高斯混合模型）是一种基于概率的聚类方法（软聚类）。
• 等

---

[更新]：

_{通常，有两种类型的聚类方法：软聚类和硬聚类。像GMM这样的概率聚类是将对象分配给具有概率的聚类的软聚类类型，而其他聚类是将对象绝对分配给聚类的硬聚类。}