我读了一些关于LSH的论文，我知道它用于解决近似的k-NN问题。我们可以将算法分为两部分：
给定任意值的D维（其中D为大）的向量，使用一组N（其中N<<D）哈希对其进行翻译函数为N维度中的二元向量。
使用汉明距离，对从阶段1获得的给定二进制代码集应用一些搜索技术，以找到k-NN。
关键点是使用XOR计算N维度中矢量的汉明距离很快。
无论如何，我有两个问题：
如果我们使用像ORB这样的二进制描述符，那么仍然需要点1。由于ORB的描述符已经是二进制文件，我们使用汉明距离来比较它们，为什么我们应该执行第一点呢？
SIFT描述的图像转换的方式如何？每个SIFT描述符是128位，每个图像由一组描述符描述。所以我们有矩阵descX128（其中desc是使用的描述符的数量），而LSH通常接受矢量作为输入。
答案 0 :(得分：2)
1）您可以绕过它，但是然后您将使用D尺寸，而不是N。其中N << D。这意味着该算法也必须适应D维度。
2）否。
- 关键点描述符
现在创建了关键点描述符。一个16x16左右的社区 关键点被采取。它分为16个4x4大小的子块。对于 每个子块，创建8个bin方向直方图。所以总共 128个bin值可用。它被表示为形成的向量 关键点描述符。除此之外，还采取了一些措施 实现对照明变化，旋转等的稳健性。
以下是我的想法，希望这足够了：
LSH将n点的点集作为输入，其中每个点位于d维。
因此，查询是d维度中的一个点，目标是找到其NN * 。
现在每个点代表一个图像描述符。所以，我们有n张图片
数据集。
查询，也是一个点（即d的向量
coordinates），代表另一个图像描述符。
我们正在寻求匹配（即寻找最近邻居） 使用我们数据集中的图像描述符查询图像描述符。
所以你所谈论的转换是在矢量中应用的，不是矩阵。
修改：
此外，在我们的High-dimensional approximate nearest neighbor: k-d Generalized Randomized Forests论文中，请参阅实验部分：
SIFT是一个128维向量，用于描述本地图像补丁 局部梯度方向的直方图。