《表3 各近邻检索方法在数据集ANN＿SIFT1M上的查询准确率与查询时间对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于簇内乘积量化的最近邻检索方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表2和表3所示，乘积量化树[17]案例PQT0的配置为k1=64，k2=8，P=2，w1=8，即该树形结构第一层运用乘积量化，组别数目为2，每组划分成64个子空间，剪枝参数为8，每个子空间在第二层中运用向量量化细分，码本大小为8．选取前500个最近邻簇参与重排序即M=500，并从这些候选向量中由近至远选不超过20 000个向量参与重排序与查询向量比对，即LC的大小小于等于20 000．簇内乘积量化结构案例C-PQT0的参数配置为k1=4，k2=32，P=2，k3=8，w1=2，w2=16，近邻簇筛选出的大小为M=500，LC的大小小于等于20 000；C-PQT1的配置同C-PQT0，但最近邻簇筛选出的大小为M=1000；C-PQT2的配置为k1=8，k2=32，P=2，k3=1，w1=1，w2=4，近邻簇大小和LC的大小同C-PQT0．从表2和表3得出，本文提出的簇内乘积量化树技术在Sift算子描述的数据集上获得了优越的近邻检索性能，与前人提出的经典算法相比，相同查询时间内可获得更高的查询准确率．其中首次召回准确率R@1相比乘积量化树技术提高了57.7%，同局部优化乘积量化技术相比，查全率也可高达97%，查询时间却仅需其1/9.