当前有一项在130个ID的目标数据库库中进行搜索的任务。 用于检索的数据是130种中的一种，每种1~3个，共计224个检索数据。 也就是说，从224个数据中选择一个，计算与130个数据的相似度。 准确率按130的top-1计算。
有这种类型的数据x的特征提取方法f(x )，g ) x )，提取后的特征记为f，g。
仅特征f就能够达到91%的精度，仅特征g就能够达到84%的精度。
我们想融合这两个特征，使准确率超过91%。 如果简单排列特征值的话，只有85%。
典型的相关分析(Canonical Correlation Analysis，简称CCA )可以做到这一点。
代码https://github.com/mhaghighat/CCA fuse
这个实验数据的存储方式是
index _ image---------id---------XXX.jpg.--------- id---130 (索引 ) --------id ) 130 ).jpgdataage .g .f和. g文件都是以json格式存在的模态文件，要在matlab上使用json，请下载jsonlab库见https://blog.csdn.net/鳗鱼链_xw/article/details/70141208
特征融合码的目标是如下，在每个数据(例如xxx.jpg )的对应特征文件(例如xxx.f和xxx.g )的同级路径下生成融合特征. cca文件
clearclcaddpath (d :\ program files\ MATLABr 2016 abin\ my _ workshop\ JSON lab-1.5 ) ) trainx trainY=[]； testX=[]； testY=[]； train_json_save_path={}； test_json_save_path={}； fori=1:130 f _ path=sprintf (d :\ database _ featureid ) %d ).f '，I )； g _ path=sprintf (d :\ database _ featureid (% d ).g )，I )； trainX=[trainX； 加载JSON (f _ path )； trainY=[trainY； 加载JSON (g _ path )； save path=sprintf (d :\ database _ featureid (% d ).cca '，I )； train _ JSON _ save _ path=[ train _ JSON _ save _ path，{savepath}]； endfori=1:130 path=sprintf (d :\ index _ imageid ) %d )，I )； subdir=dir(path )； forj=1:length(subdir ) if ) isequal ) subdir(j ).name，'.')|isequal ).name，'.') con ttir title_name=subdir(j ).name ) 1:len-4 ) f _ path=sprintf (d : (index _ feature _ id ) %d )。 g _ path=sprintf (d :index _ featureid ) d )\%s.g (，I，title_name )； testX=[testX； 加载JSON (f _ path )； testY=[testY； 加载JSON (g _ path )； 保存路径=sprintf (d :index _ featureid ) d )\%s.cca '，I，title_name )； test _ JSON _ save _ path=[ test _ JSON _ save _ path，{savepath}]； endend[trainZ，testz]=CCAfuse(trainx，trainY，testX，testY，' fusion ' )； fori=1:130 save path=char (train _ JSON _ save _ path (I ) )； raw=trainz(I， )； savejson ('，raw，savepath )； endfori=1:224 save path=char (test _ JSON _ save _ path (I ) )； raw=testz(I， )； savejson ('，raw，savepath )； end最后使用. cca的特征精度达到96%。