与sift相比，密集筛选实现有什么区别？彼此有什么优点/缺点？我正在谈论VLFeat实现。
答案 0 :(得分：24)
明显的区别在于，对于密集的SIFT，您可以获得SIFT描述符 每个位置，在正常筛选的同时，您将获得SIFT描述 由Lowe算法确定的位置。
有许多应用需要非密集的SIFT，一个很好的例子是Lowe的原创作品。
有很多应用程序通过计算a获得了良好的结果 描述符到处（密集）一个这样的例子是this。类似于密集SIFT的描述符被称为HOG或DHOG，它们在技术上不是同一个东西，但在概念上都基于渐变的直方图并且非常相似。
答案 1 :(得分：2)
通常，对于通用对象类别识别，使用密集特征提取而不是基于关键点的特征提取可以获得更好的结果。
答案 2 :(得分：2)
在http://www.vlfeat.org/overview/dsift.html上，您可以详细了解如何为SIFT和密集SIFT实施提取图像功能，以及比较它们的执行时间。 VLFeat密集SIFT描述符的主要优点是速度。
在MediaMixer Deliverable D1.1.2概率检测技术中，使用了SIFT和密集SIFT描述符，实验结果表明这种组合提供了更准确的分类。有关详细信息，您可以通过http://community.mediamixer.eu/加入MediaMixer社区门户网站。
答案 3 :(得分：1)
密集SIFT在每个位置收集更多特征并在图像中缩放，从而相应地提高识别准确度。但是，计算复杂性始终是它的一个问题（与正常的SIFT相关）。
如果您使用SIFT进行分类，我建议使用具有多个内核函数的常规SIFT（用于聚类），而不是使用具有单个线性内核函数的Dense SIFT。但是，您将获得明显的速度/准确性权衡。
我建议查看this文章，其中解释了Big-Oh中的实施差异。
答案 4 :(得分：1)
您可以在VLFeat实现细节中阅读有关DenseSIFT的更多信息。
DenseSIFT更快（x30-x60加速）。
http://www.vlfeat.org/overview/dsift.html http://www.robots.ox.ac.uk/~vedaldi/assets/pubs/vedaldi10vlfeat-tutorial.pdf