论文阅读笔记4:DenseVLAD

论文题目：DenseVLAD：All about VLAD

团队：牛津视觉组2013年发表于CVPR

解决的问题：在给定查询图像的情况下进行大规模对象实例检索。本文的重点是超大规模的检索，由于存储要求，需要非常紧凑的图像描述符，并且在运行时无法直接访问有关原始SIFT描述符的信息。

创新点：1.词典自适应： 假定由一个数据集聚类得到一个词典，当前有一个新的数据集。词典自适应是如何利用已有的词典，描述新的数据集。本文的词典自适应目的是根据新的数据集的SIFT特征更新已有的词典，包括两个步骤。 （1）为新数据集的每张影像提取SIFT特征，将各个SIFT特征映射到单词上；（2）经过上步，每个单词都可能会被赋予一定数量的SIFT的特征，利用各个单词所拥有的SIFT特征求均值，得到更新后的单词。

2. 归一化（Intra-normalization）:包括两步归一化。（1）首先为每个单词的残差做归一化；（2）将第一步得到的归一化向量串在一起再用得到新的归一化向量。

3.Multi-VLAD:将同一张图像用多个VLAD表示。

新概念：VLAD:一种用来描述图片整体特征的向量表示方法。

另外值得看的链接：

长期视觉定位与重定位先进方案综述:https://zhuanlan.zhihu.com/p/544955782