We know SIFT uses 128-dim vector fo

We know SIFT uses 128-dim vector for descriptors. Since it is using floating point numbers, it takes basically 512 bytes. Similarly SURF also takes minimum of 256 bytes (for 64-dim). Creating such a vector for thousands of features takes a lot of memory which are not feasible for resouce-constraint applications especially for embedded systems. Larger the memory, longer the time it takes for matching.But all these dimensions may not be needed for actual matching. We can compress it using several methods like PCA, LDA etc. Even other methods like hashing using LSH (Locality Sensitive Hashing) is used to convert these SIFT descriptors in floating point numbers to binary strings. These binary strings are used to match features using Hamming distance. This provides better speed-up because finding hamming distance is just applying XOR and bit count, which are very fast in modern CPUs with SSE instructions. But here, we need to find the descriptors first, then only we can apply hashing, which doesn’t solve our initial problem on memory.

Kết quả (Việt) 1:

Chúng ta biết SIFT sử dụng vector 128-dim cho mô tả. Kể từ khi nó được sử dụng số dấu chấm động, phải mất cơ bản 512 byte. Tương tự như vậy SURF cũng phải mất tối thiểu là 256 byte (64-dim). Tạo một vector như vậy cho hàng ngàn tính năng mất rất nhiều bộ nhớ mà không khả thi cho các ứng dụng resouce-chế đặc biệt cho các hệ thống nhúng. Lớn hơn bộ nhớ, còn là thời gian cần thiết cho phù hợp.

Nhưng tất cả các kích thước có thể không cần thiết cho phù hợp với thực tế. Chúng ta có thể nén nó sử dụng một số phương pháp như PCA, LDA vv Ngay cả các phương pháp khác như sử dụng băm LSH (Địa phương Băm nhạy cảm) được sử dụng để chuyển đổi các mô tả SIFT trong số dấu phảy thành các chuỗi nhị phân. Những chuỗi nhị phân được sử dụng để phù hợp với tính năng sử dụng Hamming xa. Điều này cung cấp tốt hơn tốc độ lên vì tìm khoảng cách Hamming chỉ được áp dụng XOR và đếm bit, mà là rất nhanh trong các CPU hiện đại với các chỉ lệnh SSE. Nhưng ở đây, chúng ta cần phải tìm ra mô tả đầu tiên, sau đó duy nhất chúng ta có thể áp dụng băm, mà không giải quyết được vấn đề ban đầu của chúng tôi vào bộ nhớ.

Kết quả (Việt) 2:

Chúng tôi biết SIFT sử dụng 128-Dim vector cho Descriptors. Kể từ đó là sử dụng số điểm nổi, nó mất cơ bản 512 byte. Tương tự như vậy SURF cũng mất tối thiểu là 256 byte (cho 64-Dim). Tạo một vector như vậy cho hàng ngàn tính năng mất rất nhiều bộ nhớ mà không khả thi cho Resouce-hạn chế ứng dụng đặc biệt cho các hệ thống nhúng. Lớn hơn bộ nhớ, còn thời gian cần để phù hợp.

Nhưng tất cả các kích thước này có thể không cần thiết cho kết hợp thực tế. Chúng tôi có thể nén nó bằng cách sử dụng một số phương pháp như PCA, LDA vv Ngay cả các phương pháp khác như băm bằng cách sử dụng lsh (địa phương Sensitive băm) được sử dụng để chuyển đổi các mô tả SIFT trong nổi số điểm Chuỗi nhị phân. Những chuỗi nhị phân này được sử dụng để phù hợp với các tính năng sử dụng khoảng cách hamming. Điều này cung cấp tốt hơn tốc độ lên bởi vì việc tìm kiếm Hamming khoảng cách chỉ là áp dụng XOR và số bit, mà là rất nhanh trong CPU hiện đại với hướng dẫn SSE. Nhưng ở đây, chúng ta cần phải tìm các descriptor đầu tiên, sau đó chỉ có chúng ta có thể áp dụng băm, mà không giải quyết vấn đề ban đầu của chúng tôi vào bộ nhớ.

Kết quả (Việt) 3:

Chúng tôi biết SIFT dùng véc- tơ 128-dim để miêu tả.Vì nó dùng số điểm nổi, nó chỉ lấy các byte thực chất 512.Tương tự SurF cũng lấy ít nhất 256 byte (for 64d-dim).Tạo ra một véc- tơ như vậy cho hàng ngàn tính năng cần rất nhiều bộ nhớ mà không thể thực hiện cho ứng dụng điều khiển rơ-lát đặc biệt cho hệ thống nhúng.To lớn hơn, dài hơn thời gian cần thiết để khớp.
Nhưng tất cả các kích thước này không cần thiết cho sự khớp thực tế.Chúng tôi có thể nén nó bằng nhiều phương pháp như PCA, LDAP v. Thậm chí các phương pháp khác như việc Hasit (Định vị nhạy cảm) được dùng để chuyển đổi các mô tả SIFT qua các số điểm nổi thành chuỗi nhị phân.Những chuỗi nhị phân này được dùng để khớp các tính năng dùng khoảng cách Hamming.Điều này cung cấp tốc độ cao hơn bởi vì việc tìm ra đường cắt tóc chỉ áp dụng lượng X và số lượng nhỏ, mà rất nhanh trong các bộ vi xử lý cộng đồng với SES.Nhưng ở đây, chúng ta cần t ìm các mô tả trước, sau đó chỉ có thể sử dụng việc này, mà không giải quyết được vấn đề đầu tiên trong ký ức.