kd-tree是kmeans聚类的替代品吗？

Question

我正在使用BOW对象检测,我正在编码阶段.我已经看到一些在编码阶段使用kd-tree的实现,但大多数写作都表明kmeans聚类是要走的路.两者有什么区别？

Answer 1

kd-treeAFAIK 用于标记阶段，当对大量组（数百甚至数千）进行聚类时，它的速度要快得多，然后简单地采用到每个组的所有距离的 argmin 的简单方法，k-means 就是实际的http://en.wikipedia.org/wiki/K-means_clustering聚类算法，虽然并不总是非常精确，但速度很快，一些实现返回组，而其他实现返回训练数据集的组和标签，这就是我通常使用的http://docs.scipy.org/doc/scipy/reference / generated/ scipy.spatial.cKDTree.html 与http://docs.scipy.org/doc/scipy/reference/ generated/scipy.cluster.vq.kmeans2.html 结合使用

Answer 2

在对象检测中,k-means用于量化描述符.可以使用kd树来搜索具有或不具有量化的描述符.每种方法都有其优点和缺点.具体来说,当描述符维度的数量超过20时,kd-tree并不比强力搜索好多少.