Estoy probando vlfeat, tengo una gran cantidad de características de una base de datos de imágenes, y estoy probando con la verdad básica la media de precisión (MAp). En general, tengo aproximadamente el 40%. Veo que algunos de los papeles obtuvieron mayor MAp, mientras utilizaban técnicas muy similares a las mías; La bolsa estándar de la palabra.

Actualmente estoy buscando una respuesta para obtener un MAp más alto para la técnica estándar de bolsa de palabras. Mientras veo que hay otras implementaciones como SURF y lo que no, mantengámonos en el estándar SIFT de Lowe's y en el paquete estándar de palabras en esta pregunta.

Entonces, la cosa es que veo que vl_sift obtuvo un umbral para permitirle ser más estricto en la selección de características. Actualmente, entiendo que ir por un umbral más alto puede hacer que te veas más pequeño y más significativo en la lista de características "buenas", y posiblemente reducir algunas funciones ruidosas.Las características "buenas" significan que, dadas las mismas imágenes con diferentes variaciones, también se detectan características muy similares en otras imágenes.

Sin embargo, ¿qué tan alto debemos ir para este umbral? A veces, veo que una imagen no devuelve ninguna característica con un umbral más alto. Al principio, estaba pensando en seguir ajustando el umbral, hasta que consiga un mejor MAp. Pero, una vez más, creo que es una mala idea seguir ajustándose solo para encontrar el mejor MAP de la base de datos correspondiente. Así que mis preguntas son:

Si bien el ajuste del umbral puede disminuir el número de funciones, ¿el aumento del umbral siempre devuelve un número menor y mejores funciones?

¿Hay mejores enfoques para obtener las buenas características?

¿Cuáles son otros factores que pueden aumentar la tasa de obtención de buenas características?