我想出去vlfeat，得到的功能大量从图像数据库，而我与地面真理平均平均精度（MAP）测试。 总体来说，我得到了大约40％。 我看到一些报纸的更高了地图，而使用的技术非常相似，我的; 标准袋字。
我目前正在寻找为词技术的标准袋获得更高的地图答案。 当我看到有其他执行诸如SURF并没有什么，让我们坚持到标准Lowe的SIFT和单词的这个问题的标准袋。
所以，事情是这样的，我看到了vl_sift阈值，让您可以在特征选择更加严格。 目前，据我了解，去为更高的门槛可能会网罗更小，更有意义的“好”的功能列表，并有可能降低一些噪音特征。 “好”的功能意味着，给出不同的变化相同的图像，非常相似的特征也在其他图像检测 。
但是，我们有多高应该去这个阈值？ 有时候，我看到的图像没有返回功能都具有较高的门槛。 起初，我想的是不断调整阈值，直到我得到更好的地图。 但同样，我认为这是一个坏主意，继续调整只是为了找到相应的数据库最好的地图。 所以我的问题是：
尽管调整阈值可降低功能的号码，并增大阈总是返回数量较少但更好的功能？
有没有更好的办法来获得良好的特点是什么？
什么是其他因素，可以增加获得好等特点率是多少？
看看到一些放出来响应帕斯卡的挑战，近年来的论文。 他们似乎给我的印象是，标准的“特征检测”方法不具有文字包的技术很好地工作。 这是有道理的，当你想想看 - 弓的工作原理是很多薄弱，往往不相关的功能汇集。 这是少谈检测特定对象，而是识别物体和场景的类。 因此，过分强调对正常的“关键功能”可以伤害而不是帮助更多。
因此，我们看到使用密网格 ，甚至随机点作为其特点乡亲。 从以往的经验，利用这些方法在哈里斯的角落，日志，过筛，MSER，或任何类似的一个，对性能有很大的积极影响。
要直接回答你的问题：
是。 从SIFT API ：
关键点是通过消除那些可能是不稳定的进一步细化，或者是因为它们是附近的选择的图像的边缘，而不是图像的斑点，或者在具有低对比度的图像的结构中找到。 过滤是通过后续的控制：
峰值阈值。 这是对比接受关键点的最低金额。 它是由通过vl_sift_set_peak_thresh配置SIFT滤镜对象（）设置。
边缘阈值。 这是边缘拒绝阈值。 它是由通过vl_sift_set_edge_thresh配置SIFT滤镜对象（）设置。
你可以看到在“检测参数”一节中的行动这两个阈值的例子在这里 。
研究表明从现场收率更具描述性的“单词”比使用更“智能”的方法选择的密集选择的特征（例如：SIFT，哈里斯，MSER）。 试试你的话管道袋与vl_feat的DSIFT或PHOW实施。 您应该看到在性能上有很大的改进（假设你的“词”的筛选和分级步骤是调整好）。
密集组特征点后，在该领域最大的突破，似乎一直是“空间金字塔”的方式。 这增加了用于图像产生的字的数量，但提供了一个位置方面的特征 - 东西词袋固有缺乏。 在此之后，请确保您的参数以及调整（这一个功能，您正在使用（SIFT，你使用的是什么分类等。描述，HOG，SURF等），有多少话是在你的词汇）然后..你在积极研究土地。 享受=）
