利用VLFeat工具包完成FisherVector实验

1.     Load dataset：

从数据集Caltech256中的每一类中各随机选择50张图像作为训练集（标记为1）和测试集（标记为2）。最后得到训练集和测试集的信息

2.     Get sample descriptors：

这一部分设置的参数如下：

numGaussian = 256;

numSamplesPerGussian = 4000;

numPcaDimension  = 64;

1) Get dense sift：利用VLFeat提供的vl_dsift函数（参数设置遵循论文中的要求：patch size =24X24,step = 4）对训练集中的每一张图像提取关键点，并得到128维的descriptors。从每一张图像中随机选取（numGaussian* numSamplesPerGussian/numImages）个descriptors,拼接在一起得到Des；

2) Pca :对Des进行Pca处理，降至numPcaDimension = 64维；

3.     Learn GMM parameters:

得到降维后的Des后，利用VLFeat中的vl_gmm函数得到参数（均值、方差、权值）

4.     Get fisher vector of images：

利用学习到的GMM参数和论文中给出的算法得到图像的Fisher Vector表示。这些图像是第一步选取的图像。可以利用VLFeat中的vl_fisher函数。