大规模图像检索的代码，matlab与c++混合编程。总结了目前图像检索领域目前主要存在的方法。通过阅读该代码，可以对于经典的“词袋”模型（bow模型）有个具体的了解，但是该代码没有提供前序的特征提取，是直接从对提取好的特征向量聚类开始的，包括了k-means，分层k-means（HKM）聚类，倒排文件的建立和索引等，该代码还提供了局部敏感哈希（LSH）方法。最后，这份代码是下面这篇论文的作者提供的， Indexing in Large Scale Image Collections: Scal
Learning to Hash with its Application to Big Data Retrieval 是课程结课作业，简单的介绍了LSH（局部敏感哈希） 主要分以下几部分内容 1.Nearest Neighbor Search (Retrieval) 2.Two Stages of Hash Function Learning 3.Hash Fuction 4.LSH 5.Application 6.Evaluation
近似 k 近邻查询的研究一直受到广泛关注，局部敏感散列（LSH）是解决此问题的主流方法之一。LSH 及目前大部分改进版本都会面临以下问题：数据散列以后在桶里分布不均匀；无法准确计算对应参数 k的查询范围建立索引。基于此，将支持动态数据索引的LSH和B-tree结合，构建新的SLSB-forest索引结构，使散列桶里的数据维持在一个合理的区间。针对SLSB-forest提出了两种查询算法：快速查找和准确率优先查找，并通过理论和实验证明查找过程中查询范围的动态变化。
