密集 SIFT 和 HoG 有什么区别？答案

【问题标题】：What is the difference between dense SIFT and HoG?密集 SIFT 和 HoG 有什么区别？
【发布时间】：2014-07-07 20:25:55
【问题描述】：

我是计算机视觉的新手。我正在学习密集筛分和生猪。对于密集 SIFT，该算法只是将每个点视为一个有趣的点并计算其梯度向量。 HOG 是用梯度向量描述图像的另一种方式。

我认为 Dense SIFT 是 HOG 的一个特例。在 HoG 中，如果我们将 bin 大小设置为 8，对于每个窗口有 4 个块，对于每个块，有 4 个单元格，并且块步长与块大小相同，我们仍然可以得到一个 128 的暗淡向量窗户。并且我们可以设置任何窗口步幅来滑动窗口来检测整个图像。如果这两种算法的窗口步幅相同，则可以得到相同的结果。

我不确定我是否正确。谁能帮帮我？

【问题讨论】：

您好，恐怕魔鬼在低级细节中，例如插值方案和规范化策略。实际上很难对它们进行详细比较，尽管如此 +1 询问。（我假设你知道 VLFEAT，关于密集筛选和猪的好文档：vlfeat.org）

标签： computer-vision sift

【解决方案1】：

SIFT 描述符选择一个 16x16，然后将其划分为 4x4 窗口。在这 4 个窗口中的每一个上，它都会计算一个定向梯度的直方图。在计算此直方图时，它还执行相邻角度之间的插值。拥有所有 4x4 窗口后，它会使用窗口大小一半的高斯函数，以 16x16 块的中心为中心，对整个 16x16 描述符中的值进行加权。

另一方面，HoG 只计算一个简单的定向梯度直方图，顾名思义。

我觉得SIFT更适合描述一个点的重要性，因为涉及到高斯加权，而HoG没有这样的偏见。由于这个原因，（理想情况下）HoG 应该更适合于密集 SIFT 上的图像分类，如果所有特征向量都连接成一个巨大的向量（这是我的观点，可能不是真的）

【讨论】：

HOG 在分箱中也使用了三线性插值，并且有一个巧妙的归一化方案，与块的概念相关联，并允许重叠块，因此直方图并不那么简单。
是的，即使是 HoG 也会进行插值（可能它的完成方式与 sift 不同），主要区别在于高斯加权。规范化由每个描述符完成。
如果是这样，这是否意味着密集筛分是 HOG 的一个特例，对每个单元格（或兴趣点）进行高斯加权？