局部压缩：一种新的图像检索降维方法

基于内容的图像相似性搜索在多媒体检索中起着关键作用。每个图像通常表示为高维特征空间中的一个点。从大型数据库中搜索相似图像的关键挑战是由于“维数灾难”导致的高计算开销。降低维数是解决这个问题的重要手段。本文研究了top-k图像检索中的降维问题。直观地说，一种有效的降维方法不仅应该保留相似图像（或点）的相近位置，而且应该在降维后的子空间中将相距很远的不同图像（或点子）分离开来。现有的降维方法主要针对前者。我们提出了一种新的思想，称为局部凝聚（LC），不仅可以保留由邻域信息及其全局相似关系确定的位置，而且可以确保不同位置在低维子空间中不会相互入侵。为了在子空间中生成非重叠的位置，LC首先执行椭圆凝聚，将每个具有椭圆形状的位置凝聚为更紧凑的超球面，以扩大不同位置之间的边界，并估计子空间中的投影以进行重叠分析。通过凸优化，LC进一步基于所获得的超球在具有最小凝聚度的子空间中的投影对其进行缩放凝聚。通过有效地压缩这些位置，可以防止低维子空间中不同位置之间的潜在重叠。因此，对于子空间中的相似性搜索，错误命中（即，错误检索的远点）的数量将减少。与现有方法进行了广泛的实验比较，证明了我们的建议的优越性。