HOG，SIFT和DENSE SIFT描述符對於識別的不同準確度

Question

Heyy guys ,,

我對結果非常困惑，因爲我得到了認可。
當我使用HOG時，我獲得了不同的識別準確度（基於他使用的參數）。我能理解這件事。

可能，這是因爲我有訓練圖像的dfferent觀點和HOG犯規有這個能力。所以我得到的最大精度只有40％。

然後我使用SIFT。我得到了更好的結果。這是大約70％。
而對於密集SIFT，我的最大隻有38％。
我不知道，爲什麼它發生。因爲密集SIFT應該比SIFT更好。

因此，爲此我試圖使用PCA從每個描述符獲取主要特徵。然後我結合這些主要特徵來進行識別。但是我得到的結果更糟糕。它只有30％。

PCA HOG(150,4),PCA SIFT(150,3)=PCA COMBINATION(50,7) 

爲什麼會發生這種情況？爲什麼DENSE SIFT會給出最糟糕的結果？以及爲什麼當我將所有這些主要組件（來自HOG，SIFT和DENSE SIFT）進行組合時，我得到的結果最差？

而現在，我只是在樣本圖像中做所有事情。我有4000倍的圖像，但現在，我只用150倍的圖像..

我用樣品的這個小規模嘗試不同的參數後，我得到這個最佳參數，我會在一整列火車的圖像使用它。 它會給出相同的結果（與樣本的小尺寸圖像相比）？

Answer 1

可能，這是因爲我有訓練圖像的不同觀點和HOG犯規有此

這同樣適用於密集SIFT的能力。如果你有不同的觀點，密集的方法不適合這種情況。嘗試使用Hessian-Affine作爲檢測器，並使用SIFT作爲描述符，我假設您的性能將優於SIFT。