摘要：
Learning from labeled and unlabeled data主要思想：无标签数据可以提供关于domain的结构性信息，如数据如何分布，等。the unlabeled data provides information about the structure of the domain. 主要算法及思想介绍：1. Self-Training 分类器在labeled data上进行训练，然后用其对unlabeled data进行分类。 the most confident unlabeled points（对无标签数据分类后的信任度），伴随着它们预测的标签，加入到训练集中。这个 阅读全文
摘要：
1. 结构相似度这篇文章的研究背景是建立一个衡量图像质量好坏的测量准则。客观图像质量测量分为两种，一种是使用参考标准图像，另一种是无参考标准图像。而本文是第一种类型的客观图像质量测量。假设人类视觉系统（HVS）倾向于抽取结构化信息。遭到批评的算法：一幅图像的信号可以理解称为一幅无噪声信号图像（Refference Image Signal）和一幅误差信号（Error Image Signal）。主观感觉上的图像质量的丢失与误差信号（Error Signal）的可见性紧密相关。最简单的一种测量方式就是MSE,但是两个拥有相同MSE的受干扰图像可能有非常不同的误差类型，它们中的一些可能比另一些更加 阅读全文
摘要：
Support Vector Machine Learning for Interdependent and Structured Output Spaces这篇文章主要描述了如何处理结构化的SVM。这篇文章是Learning Structural SVMs with Latent Variables的基础。结构化SVMs（Structural SVMs）什么称为结构化的SVM呢？输入和输出对构成了来自于某个固定但未知的概率分布。不像一般的多分类问题，其中可互换（arbitrarily numbered labeles），而在这里所考虑的是结构化的输出空间。例如，在这个空间中的元素可能是seq 阅读全文
摘要：
Discriminatively Trained Part Based Models 论文及代码分析代码已经脱离了作者最初的那篇文章（object Detection with discriminatively Trained Part Based Models）所介绍的模型。目前在代码（release 4）中所使用的模型是Grammar Model。我们有必要首先介绍一下什么是Grammar Model（见Object Detection Grammars和Object Detection with Grammar Models）。Grammar Model最初来自于自然语言理解。给出一句话 阅读全文
摘要：
Predicting Diverse Subsets Using Structural SVMs 这篇论文主要讲述了如何使用Structural SVMs来进行推测拥有多样性的子集。首先我们可能要问什么叫做多样性呢？作者给出了这样一个问题背景，当我们检索一个词" Jaguar"，其可能代表着多个意思，如，动物，车，等。此时，如果我们只将某个单一意思的检索结果返回给用户的话，那么这样的用户体验是十分不好的。因而，我们有必要在所有检索结果中，再次寻找一个子集，使其能够包含大量不同种类含义的检索结果。这也就是这篇论文所说的多样性。在这篇论文中，作者指出多样性是由在labeled 阅读全文
摘要：
Online Choice of Active Learning Algorithms 基于SVM 的Active Learning Algorithm (1) SIMPLE query the instance closest to the decision hyperplane(in kernel space) (2) SELF-CONF This algorithm chooses its next example to be labeled while attempting to reduce the generalization error probability. Since tr 阅读全文
摘要：
Class-Specific hough forests for object detection从这篇文章中我们可以学习到generic hough transform 和 random forest 的应用Hough Forests 如何建造呢？对于Hough forests, 每棵树基于一系列patch进行建造，其中是这个patch的appearance，是这个patch的标签，是这个patch离object中心的偏移（offset）。下面我们具体描述一下如何从训练样本中抽取这些patch ：从背景图像中抽取得到的patch，其类别标签，从使用bounding boxes框住的图像内部抽 阅读全文
摘要：
a boundary fragment model for object detection作者提出使用边界片段进行目标检测三个关键概念：boosting , contour fragments 和 hough votes Boosting 用来选择一些边界片段的结合从而构造一个强"Boundary-Fragment-Model" 检测器。作者指出其得到如下两个结论：（1） BFM检测其能够表示和检测由形状定义的目标（2）于其他公布的结果对比，BFM检测器有很好的性能并且有较少的监督特点:使用边界信息进行投票，并决定目标质心位置。作者也指出其并不是说这个基于边界的检测模型可 阅读全文
摘要：
Object Class Recognition by Unsupervised Scale-Invariant Learning作者提出了一个概率模型，其被用来对目标的一些方面（属性）进行概率描述——如形状、表观、遮挡、以及相对尺度。除此之外，一个基于熵（entropy-based）的特征检测被用来选择在图像中的区域以及尺度。对于学习尺度不变目标检测模型的参数时，依靠EM算法实现。在识别过程中，这个模型以贝叶斯方式来进行对图像分类。方法描述object model由大量的parts组成，每个part有一个 appearance , relative scale 并且还可能被遮挡。形状是由pa 阅读全文
摘要：
Sketch Tokens: A Learned Mid-level Representation for Contour and Object Detection作者从人工绘制的边界图中提取关键信息，如straight line, junction, curves and parallel lines（见下图）作者将这些关键边界信息称之为sketch tokens，作者认为我们可以使用这些tokens来完成所有边界图的绘制。接下来，作者分析图像的边界信息是否可以由这些tokens来进行描述，如何来做呢？采用分类器，从而给出每一点属于某个token的概率。接下来我们详细分析，如何提取token 阅读全文