PCA sur le vecteur de fonctionnalités pour la reconnaissance de point d'image

Question

Je fais correspondre des points entre deux images. Je choisis les points d'intérêt par l'intermédiaire du détecteur de coin de Harris, en utilisant une fonction de criblage pour les caractéristiques de ces points d'intérêt, et je fais correspondre ces caractéristiques par le rapport des plus proches voisins. Tout cela se fait à Matlab. Le vecteur de fonctionnalités est très grand et je veux réduire la dimension tout en conservant les fonctionnalités pour pouvoir les faire correspondre. Je veux faire PCA sur ce vecteur de fonctionnalités. Est-ce que quelqu'un connaît des approches Matlab pour le faire tout en préservant la précision du vecteur original?

Answer 1

Vous ne pouvez pas avoir votre gâteau entier et le manger aussi. :)

L'application de la réduction de la dimension fournit un ensemble de données plus petit (puisque le nombre de dimensions est réduit), donc une exécution plus rapide, mais vous devez abandonner une certaine précision.

Et cela vient naturellement, je veux dire moins d'informations, moins de précision, mais un processus plus rapide.

Si j'étais vous je réduirais mes caractéristiques de 128 dimensions que vous avez maintenant, puisque vous employez des caractéristiques de SIFT à 64 dimensions et exécutez mon algorithme avec les fonctions 64-dim et avec les 128 fonctions de dim, et comparez la précision et la vitesse, pour voir ce qui est optimal. Vous pouvez bien entendu utiliser Matlab's PCA.