我正在使用BOW目标检测，并且正在进行编码阶段的工作。我看到一些实现在编码阶段使用了kd-Tree，但大多数资料建议使用K-means聚类。这两者有什么区别？
3个回答
6
在目标检测中，k-means用于量化描述符。kd-tree可用于搜索具有或不具有量化的描述符。每种方法都有其优缺点。具体而言，当描述符维数超过20时，kd-tree并不比暴力搜索更好。
- Don Reba
5
5
kd树通常用于标签阶段，当聚类的组数很大时，例如数百甚至数千个，比起简单地对每个组的所有距离取argmin的naive方法，它会更快。 K均值聚类是实际的聚类算法，它很快但不总是很精确，有些实现返回组，而另一些返回训练数据集的组和标签，这是我通常使用 http://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.cKDTree.html与http://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.vq.kmeans2.html。
- Samy Vilar
5
只是为了澄清一下，您将使用kmeans对图像描述符进行量化。然后，您将使用这些描述符创建一个kdtree，以便在对象识别中搜索最近的邻居？ - mugetsu
@mugetsu “然后你会用这些描述符来创建一个kd树”，基本上，我已经进行了一些基准测试，当处理大量组时，kd树的性能远远超过了我所有的优化方法...我建议你只是运行一些测试 :) - Samy Vilar
通过使用kdtree，你是不是跳过了直方图和支持向量机？我对这个工作方式感到困惑。https://dev59.com/nmXWa4cB1Zd3GeqPJx9g - mugetsu
@mugetsu 请查看 http://www.cs.brown.edu/courses/cs143/results/proj3/sungmin/ 我找不到更简单的教程了... - Samy Vilar
1更新上面的链接：http://cs.brown.edu/courses/cs143/2011/results/proj3/sungmin/ - saurabheights
2
kd-Tree和K-means算法是两种不同类型的聚类方法。
以下是几种聚类方法：
kd-Tree是一种层次聚类方法（基于中位数）。K-means是一种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）。- 等等。
[更新]:
通常，聚类方法有两种类型，软聚类和硬聚类。像GMM这样的概率聚类属于软聚类类型，通过概率将对象分配到聚类中，而其他聚类方法则是绝对地将对象分配到一个聚类中。
- Benyamin Jafari
5
除了这三种方法，还有许多其他的聚类方法。虽然我猜你可以将GMM用作聚类方法，但它实际上并不是一种聚类方法。K-means根本不使用标准差，它是基于均值和Voronoi图案的。 - Cris Luengo
当然，还有许多其他的聚类方法。在kmeans中，对象通过每个簇中最小标准差与其计算出的平均值进行选择，因此我也提到了标准差。而GMM可以作为一种聚类方法，例如使用三个高斯分布，将对象归属于它们中的每一个，并比较它们的概率，就像kmeans使用三个平均值一样。 - Benyamin Jafari
我刚刚质疑了在问题是“方法A和B之间的区别是什么”时提及另一个聚类算法的有用性，考虑到存在如此多的聚类算法，而且已经存在试图收集它们所有的列表。 (https://en.wikipedia.org/wiki/Category:Cluster_analysis_algorithms) - Cris Luengo
关于k-means：对象是通过到每个均值的最小距离（如Voronoi tessellation）来选择的，而不是通过标准差。标准差从未被计算或暗示。 - Cris Luengo
我不想说标准差被计算了（我写错了）。我的意思是，计算出的平均值在获得的聚类中，每个对象在其他对象中具有最小方差/标准差。
这是关于O'Reilly无监督学习书中GMM的内容。 - Benyamin Jafari
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
k-means，剩下的都是我自己用C++完成的。 - Don Reba