是牛津視覺組2023年發表在cvpr上的一篇文章。這篇文章所做的工作包括3部分。
1 詞典自適應
假定由乙個資料集聚類得到乙個詞典，當前有乙個新的資料集。詞典自適應是如何利用已有的詞典，描述新的資料集。本文的詞典自適應目的是根據新的資料集的sift特徵更新已有的詞典，包括兩個步驟。（1）為新資料集的每張影像提取sift特徵，將各個sift特徵對映到單詞上；（2）經過上步，每個單詞都可能會被賦予一定數量的sift的特徵，利用各個單詞所擁有的sift特徵求均值，得到更新後的單詞。
2 歸一化（intra-normalization）
包括兩步歸一化。（1）首先為每個單詞的殘差做
3 multi-vlad
將同一張影象用多個vlad表示。
總結：文章的intra-normalization應當會帶來一定引用。
文獻閱讀筆記（五）
2019 journal of web semantics linking and disambiguating entities across heterogeneous rdf graphs筆記整理 一 整理思路流程 cbd concise bounded descriptions 簡潔有界描述...
文獻閱讀筆記（三）
2015 information fusion faceted fusion of rdf data筆記整理 一 整理思路流程 距離匹配的rdf融合演算法 基於內聯的rdf融合演算法 基於規則限制的rdf融合演算法 rdf資料碎片化 特定主題的rdf資料分散在眾多不同的資料集中，每乙個資料集中的rd...
文獻閱讀筆記（一）
2012 a similarity oriented rdf graph matching algorithm for ranking linked data筆記整理 一 整理思路流程 pagerank演算法是解決了rdf圖節點與邊的關係的提取問題 關係抽取 從而解決查詢的排序比較問題 基於 對應鄰...