我试图为一组用户在不同时刻提交的一组图片实现一系列功能。
如果群集发生变化，那么我们需要至少重新计算所有＆＃34;视觉词＆＃34;哪些元素已经改变了集群。
例如，假设时间d的一个SIFT描述符t1属于群集A。在t1+1处提交了一个查询，因此群集发生了变化，现在d属于群集B。所以我们需要重新计算＆＃34;视觉词＆＃34; （向量）相对于d。
您可以想象，这种方法可能过于昂贵（特别是如果查询率很高）！
我的问题是：有一个比经典的词汇或一些动态聚类算法更好的模型吗？
答案 0 :(得分：1)
如您对其他问题的评论，假设视觉词语是在完整（多样化和大型）足够的数据集上进行培训。
如果每个有趣的关键点都有足够好的视觉词，那么您不需要更新视觉词，只需将新图像映射到现有词汇。
即使您假设数据不断变化，也无法始终更新词汇表。这是一个粗略的近似 - 重新计算后仍然只是一个粗略的近似。如果您收到实质数量的新数据，则可以更新。比这更频繁地更新可能会以巨大的成本产生0.0的改进。