LSH 是将向量转换为汉明距离的二进制向量吗？

我读了一些关于 LSH 的论文，我知道它用于解决近似 k-NN 问题。我们可以将算法分为两部分：

1. 给定一个向量D尺寸（其中D是大）的任何值，用一组翻译它N (where N<<D) 将哈希函数转换为二进制向量N方面。

2. 使用汉明距离，对从阶段 1 获得的给定二进制代码集应用某种搜索技术来查找 k-NN。

关键点是计算向量的汉明距离N使用 XOR 维度的速度很快。

无论如何，我有两个问题：

1. 如果我们使用二进制描述符（例如 ORB），第 1 点仍然有必要吗？既然ORB的描述符已经是二进制的，并且我们使用汉明距离来比较它们，为什么我们应该执行第一点？

2. SIFT 描述的图像如何进行转换？每个 SIFT 描述符都是 128 位，每个图像都由一组描述符来描述。所以我们有矩阵descX128 (where desc是使用的描述符的数量），而 LSH 通常接受向量作为输入。

1）你可以绕过它，but那么你将在D尺寸，不N正如你所说。在哪里N << D。这意味着算法必须适应D尺寸也是如此。

2) No.

Read 来自 openCV 的 SIFT http://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_feature2d/py_sift_intro/py_sift_intro.html:

4. 关键点描述符

现在关键点描述符已创建。周围有一个 16x16 的社区 已采取关键点。它被分为 16 个 4x4 大小的子块。为了 每个子块都会创建 8 个 bin 方向直方图。所以总共有 有 128 个 bin 值可用。它被表示为一个向量来形成 关键点描述符。除此之外，还采取了多项措施 以实现对光照变化、旋转等的鲁棒性。

以下是我的想法，希望这就足够了：

LSH 将点集作为输入，n点，每个点都位于d方面。

So, a query is a point, in d dimensions and the goal is to find its NN^*.

1. 现在每个点都代表一个图像描述符。所以，我们有n我们的图像 数据集。

2. 查询，也是一个点（即带有d坐标），代表另一个图像描述符。

3. 我们正在寻求匹配（即找到最近的邻居） 使用我们数据集中的图像描述符查询图像描述符。

所以你所说的转换应用于向量中，not一个矩阵。

Edit:

此外，从我们的高维近似最近邻：k-d 广义随机森林 http://arxiv.org/pdf/1603.09596.pdf纸，请参阅实验部分：

SIFT 是一个 128 维向量，通过以下方式描述局部图像块 局部梯度方向的直方图。

*_{or the Fixed-radius near neighbors https://en.wikipedia.org/wiki/Fixed-radius_near_neighbors problem}