本文探讨了RootSIFT在特征匹配中的应用，通过使用Hellinger kernel替代Euclidean similarity，提高了匹配精度。具体方法是对SIFT特征进行L1归一化后取平方根，得到L2归一化的RootSIFT，实验证明其效果优于传统SIFT。
三个贡献，我只看了RootSIFT。
对于shit使用 Hellinger kernel 代替 Euclidean similarity/kernel，也就是对RootSIFT使用 Euclidean distance。即先对sift的结果进行L1 normalize，再对每一个元素求平方根，得到的结果便是L2 normalized。在论文中给出了使用RootSIFT匹配的结果优于SIFT
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
