最近看了一篇比较好的文章，效果很好，简单记录一下。
这篇文章的核心思想是，融合两种不同类型的特征。文章中用的是SIFT和CNN提取的特征。还是神经大法好啊。
第一步就是建立两种不同特征的索引，文章用的是BoW类似的，为了加快检索速度，文章中使用了一种称为sparse boost的技术。简单说就是对每个特征向量求出它的协方差矩阵，按照从大到小的顺序进行排序，然后设置一个阈值，求出前k个正好大于这个阈值的索引值，其他的索引值全部置0。
第二步，构建模型。
对于每个特征向量，首先构建一个一模一样的向量，来标识哪些非0元素的位置。
然后找到这个向量最近邻的2个或者是几个向量，同时在找到这最近邻的2个或者是几个最近邻向量，这是两个步骤，用来圈定这个向量周围的向量，也就是用来表示是对这些向量进行操作。
接着用用一个指示函数来标定这些特征向量。
最后按照论文中给定的公式进行最后的计算就可以了。
不过，论文并没有给出相应的源码，自己实现有点复杂。不过，论文中给出的效果是蛮好的。
总结来讲，这篇文章立意挺新，优化函数也不是很麻烦，效果挺好，可谓是一篇不错的文章，忘了说了，这篇文章发表在PAMI上面。