我不确定这是否是这个问题的正确论坛，我很抱歉。
我对Bag of Features模型很陌生，我试图通过向量来表示图像（对于CBIR项目）。
根据我的理解，给定S n张k图像，并假设我们想要通过尺寸为i的矢量来表示图像，这些是实施BoF的步骤：
i-D，计算一组关键点，并从中计算描述符D的集合。k。 k上运行D方法（上面定义k）算法，现在我们有iv个群集，每个描述符向量完全属于一个群集。 k定义为相对于图片i生成的BoF向量（大小为i）。每个维度都初始化为0. d，以及属于i-D的每个描述符d，找出所有k群集之间属于哪个群集d。假设j属于第vi[j]++个群集，则为q。我不清楚如何实现第5点，那么我们如何理解描述符所属的聚类，，特别是如果我们试图计算BoF向量的图像是查询图像（因此不属于初始数据集）？我们是否应该找到最近邻居（1-NN）以了解查询描述符属于哪个群集？
为什么我需要这个 - 应用程序：
我实施BoF模型以实现CBIR：给定查询图像i，在图像数据集中找到q的最相似图像INSPECT REPLACING 。为此，我们需要解决1近似最近邻问题，例如使用LSH。问题是LSH中每个图像的输入都表示为一个向量，所以我们需要BoF才能做到这一点！我希望现在为什么我需要它更清楚：）
如果我在上述程序中犯了一些错误，请告诉我。
答案 0 :(得分：1)
您的算法正在为图像生成等效的单词。这些“单词”并不意味着是最终的结果，而只是使其易于与其他机器学习技术一起使用的东西。
在此设置中，您将从初始要素（第1点的关键点）生成一组k个簇。 然后用每个簇中关键点的数量来描述每个图像（就像你有一个由长度为k的字典中的单词组成的文本）。
第3点表示你从训练集图像中获取所有关键点，并运行k-means algorithm，以找出点之间的一些合理分离。这基本上确定了单词的含义。
因此，对于新图像，您需要像训练集一样计算关键点，然后使用已经在训练中计算过的聚类，找出新图像的特征向量。也就是说，您将图像转换为您构建的字典中的单词。
这是从图像生成合理特征向量的所有方法（如果需要，可以是部分结果）。这不是一个完整的机器学习算法。要完成它，您需要知道自己想要做什么。如果您只是想找到最相似的图像，那么最近邻搜索应该这样做。如果要标记图像，则需要从特征向量中训练分类器（如naive-bayes），并使用它来计算查询的标签。