Является ли LSH преобразованием векторов в двоичные векторы для расстояния Хэмминга?

1) Вы можете обойти это, но тогда вы будете работать в D измерениях, а не N, как вы говорите. где N << D. Это означает, что алгоритм также должен адаптироваться к D измерениям.

2) No.

Прочитайте SIFT из openCV:

4. Дескриптор ключевой точки

Теперь создан дескриптор ключевой точки. Берется окрестность 16x16 вокруг ключевой точки. Он разделен на 16 подблоков размером 4x4. Для каждого подблока создается гистограмма ориентации с 8 бинами. Таким образом, всего доступно 128 значений бинов. Он представлен в виде вектора для формирования дескриптора ключевой точки. В дополнение к этому, предпринимаются некоторые меры для обеспечения устойчивости к изменениям освещения, вращению и т. д.

Вот как я это себе представляю, надеюсь этого будет достаточно:

LSH принимает в качестве входных данных набор точек из n точек, где каждая точка находится в d измерениях.

Таким образом, запрос представляет собой точку в d измерениях, и цель состоит в том, чтобы найти ее NN^*.

1. Теперь каждая точка представляет собой дескриптор изображения. Итак, у нас есть n изображений в нашем наборе данных.

2. Запрос, который также является точкой (то есть вектором с d координатами), представляет другой дескриптор изображения.

3. Мы стремимся сопоставить (т.е. найти ближайшего соседа) дескриптор изображения запроса с дескриптором изображения из нашего набора данных.

Таким образом, преобразование, о котором вы говорите, применяется в векторе, не в матрице.

Изменить:

Более того, из нашей статьи Многомерный приближенный ближайший сосед: kd Generalized Randomized Forests см. это в разделе Раздел Эксперименты:

SIFT — это 128-мерный вектор, описывающий локальный участок изображения с помощью гистограмм локальных ориентаций градиента.

*_{или фиксированный радиус рядом с соседями}