Reading papers_3(与mean shift相关,ing...)

1. 读Comaniciu, D. and P. Meer (2002). "Mean shift: A robust approach toward feature space analysis." Pattern Analysis and Machine Intelligence, IEEE Transactions on 24(5): 603-619.

　　本文分析的算法mean shift是属于一种非参数算法，可以被用来分析复杂的多模态特征空间以及视觉领域的一些其它难题。

　　文章明确给出了mean shift的定义和计算方法。先将非参数密度估计用核函数表示，然后对其求导，通过引入profile概念等得出了mean shift向量，所以说mean shift的出现是核密度梯度估计。作者在附录中证明了mean shift收敛的充分条件是核函数是满足其profile是一个凸的单调减函数即可，另外也证明了如果使用正态核的话，2个meanshift向量之间的余弦为正。

　　由于mean shift能够自动找到局部最大点，所以其可应用于做模态检测，图像平滑滤波，图像分割，函目标优化等。作者还分析了meanshift与核函数回归以及M估计之间的联系。

　　由于系统的输出性能只取决于meanshift所用到的核带宽，所以其应用比较简单。作者对其核带宽的选择也做了一些分析。

　　最后，meanshift的优点是其计算复杂度低，一般经过3~5次迭代就可以找到其极值点。

　　本文是作者提出meanshift以来，结合理论和应用整体上来分析meanshift的一篇好文章，在此之前，作者已经多次在会议上发表过meanshift的相关研究文章。