目前特征向量的比对加速优化能极大缩短比对耗时，改善用户体验。
优化的途径主要有两种，一是使用指令集（SSE,AVX）加速运算。二是使用ANN替代暴力搜索。
乘积量化和倒排索引组合是ANN中效果较好且实用的一种。总体框架分为线下训练字典，线上比对搜索两部分，如下图所示：
相关论文如下：
1.Hervé Jégou, Douze M , Schmid C . Product Quantization for Nearest Neighbor Search[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010.
2.Babenko A, Lempitsky V. The inverted multi-index[C]// Computer Vision & Pattern Recognition. 2012.
具体基础知识如向量量化(vector quantization)、乘积量化（product quantization）、倒排（inverted index）等不详细阐述，总结下自己结合论文做实验的一些体会：
1.向量量化是一种有损压缩。
2.乘积量化中子空间不一定越多越好，要平衡计算复杂度和量化精度，论文推荐选2.
3.类心越多，量化失真(distortion)越小，计算成本也会相应增强。类心数目（centroid）是实际中常调整的超参。
4.乘积量化有个前提假设，两个子空间（subspace）独立。但实际上大多数不是这样，这里引出了OPQ的优化。
OPQ（Ge T, He K, Ke Q, et al. Optimized Product Quantization[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2013, 36(4):744-755.），
是针对PQ中子空间存在相关性的优化。主要内容是添加旋转矩阵作用于字典（codebook），并依次迭代R和聚类，使得最终的量化损失最小。
LOPQ（Kalantidis Y , Avrithis Y . Locally Optimized Product Quantization for Approximate Nearest Neighbor Search[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2014.）在OPQ的基础上，加入了每个子空间的各自旋转矩阵。下图展示了不同量化方法下的类心分布。
