machine-learning - 什么是特征向量比较的好指标以及如何在比较之前对它们进行归一化？

Question

背景:

我正在研究一种自下而上的图像分割方法，首先将图像过度分割成小区域/超像素/超体素，然后我想基于一些迭代合并相邻的过度分割区域标准。我一直在考虑的一个标准是衡量这两个区域在外观上的相似程度。为了量化区域的外观，我使用了多种度量——强度统计、纹理特征等。我将为一个区域计算的所有特征集中到一个长特征向量中。

问题:

给定两个相邻的过分割区域R1和R2，令F1和F2为对应的特征向量。我的问题如下:

-- 量化 F1 和 F2 之间相似性的良好指标是什么？

-- 在用指标量化 F1 和 F2 的相似性之前，如何最好地标准化 F1 和 F2？ (使用任何监督方法进行标准化都是不可行的，因为我不希望我的算法与一组图像绑定(bind))

我心中的解决方案:

相似度(R1, R2) = dot_product(F1/范数(F1), F2/范数(F2))

换句话来说，我首先将 F1 和 F2 标准化为单位向量，然后使用两个向量之间的点积作为相似性度量。

我想知道是否有更好的方法来标准化它们并将它们与指标进行比较。如果社区能给我指出一些引用资料并写出为什么其他方法比我正在使用的相似性度量更好的原因，我会很高兴。

Answer 1

最先进的图像分割算法使用条件随机场而不是超像素(IMO SLIC算法是最好的选择)。此类算法在对每个超像素进行分类的同时捕获相邻超像素之间的关系(通常使用SSVM)。

对于超像素分类，您通常会为每个特征收集一包特征，例如 SIFT descriptors 、直方图或任何您认为可能有帮助的功能。

有很多论文描述了这个过程，这里有一些我觉得很有趣的论文:

• Associative Hierarchical CRFs for Object Class Image Segmentation
• Class Segmentation and Object Localization with Superpixel Neighborhoods
• Figure-ground segmentation using a hierarchical conditional random fields

但是，处理CRF的库或软件并不多。你能找到的最好的有this blog entry .