《LDAHash: Improved Matching with Smaller Descriptors》阅读笔记

      论文中提出了一种LDAHashing（Linear Discriminant Analysis )， 比之前的哈希算法产生的汉明码短了10-20倍，并且更好的匹配相关图片。在同一个视图，不同的角度这种情况下，即使欧拉空间显示距离距离非常大，但仍然被识别为同一类。

步骤

1.投影矩阵

2.阈值选择

定义一个距离度量对于那些在正例里面的数据，数据点据小于R。在负例里面的数据点距大于R。

可构造该损失函数：

其实α控制FP和FN。

LDAHashing

原损失函数不可导含义优化，提出一个relax版本 

投影矩阵

LDA法

DIF法

优势：能通过α参数控制FP和FN

如果把α设置成无限大就相当于忽略负例，这种做法可以在只有正例的时候使用。

Threshold Selection

原损失函数变形

取出以下一部分，这部分可以通过一维对t的搜索找出最优解

从而FN,FP也可以表达出来

线性投影

用LDA生成的矩阵P的投影结果比SIFT要好。DIF生成的矩阵P比SIFT要差，但是最二值化后有所改变。

二值化

有监督的二值化选择优于其他无监督的二值化方法

实验

把提出的方法与最新的方法进行比较，SIFT作为标准。先用LIDAR数据集，后面转到大数据集。

LIDAR数据集

大数据集

总结

提出了一种新颖且适应性更广的方法，缩短了哈希码，且提高了匹配率。