我是计算机视觉的新手。我正在研究密集SIFT和HOG。对于密集SIFT，算法只是将每个点视为一个有趣的点，并计算其梯度向量。HOG是用梯度向量描述图像的另一种方式。
我认为密集SIFT是HOG的一个特殊情况。在HoG中，如果我们将bin大小设置为8，每个窗口有4个块，每个块有4个单元，块步长与块大小相同，我们仍然可以得到这个窗口的128个dim向量。而且我们可以设置任意的窗口跨度来滑动窗口来检测整个图像。如果这两种算法的窗口跨度相同，就可以得到相同的结果。
我不知道我说的是否正确。谁能帮帮我？
SIFT描述器选择一个16x16，然后把它分成4x4个窗口。在这4个窗口中的每一个窗口中，它计算出一个定向梯度的直方图。在计算这个直方图的同时，它还在相邻的角度之间进行插值。一旦你有了所有的4x4窗口，它就会使用一个窗口大小一半的高斯，以16x16块的中心为中心，对整个16x16描述符中的值进行加权。
而HoG则顾名思义只计算一个简单的定向梯度直方图。
我觉得SIFT由于涉及到高斯加权，更适合描述一个点的重要性，而HoG则没有这样的偏差。由于这个原因，（理想情况下）HoG应该比密集的SIFT更适合于图像的分类，如果所有的特征向量都连成一个巨大的向量的话（这是我的观点，可能不是真的）。