2018年12月16日星期日
tensorflow调参总结
参考文件：
[1] https://blog.csdn.net/LIYUAN123ZHOUHUI/article/details/70698264
[2] https://zhuanlan.zhihu.com/p/38574562
2016年2月16日星期二
Jimei Yang, PatchCut: Data-Driven Object Segmentation via Local Shape Transfer
PatchCut: Data-Driven Object Segmentation via Local Shape Transfer
Jimei Yang1, Brian Price2, Scott Cohen2, Zhe Lin2, and Ming-Hsuan Yang1
1 UC Merced 2 Adobe Research
来源CVPR2015
核心算法：MRF with shape prior
关键字：先验形状（shape prior）；马尔科夫随机场（MRF）；PatchMatch算法
具体过程如图1所示
 |
| 图1 PatchCut过程 |
通过计算红框（Patch）中的SIFT特征，选取训练集中的最大概率样本（通过参考文献1中的PatchMatch方法计算得到）
文章通过缩小后的图像求得大致边界，之后逐次迭代逐步求得原始尺寸图像，过程如图2所示。
分析：这篇文章中的先验形状由大量样本的平均值求得，之后将图像分割为patches之后进行SIFT特征概率匹配，同时通过降采样过程缩小图像后，由于缩小后的图像细节不明显，因此更利于patch match，之后逐次迭代放大并进行边缘fitness，从而相比于全局Patch match，在优化检测边缘的同时提高计算速度。
但是这个先验形状的获取估计并不简单，有待进一步研究。
文章通过缩小后的图像求得大致边界，之后逐次迭代逐步求得原始尺寸图像，过程如图2所示。
 |
| 图2 迭代过程 |
但是这个先验形状的获取估计并不简单，有待进一步研究。
参考文献：
[1] C. Barnes, E. Shechtman, D. B. Goldman, and A. Finkelstein. The generalized PatchMatch correspondence algorithm. In ECCV, 2010.
2015年11月22日星期日
Deep learning & CNN
关于深度学习和卷积神经网络
1. ImageNet Large Scale Visual Recognition Competition (ILSVRC)ImageNet数据库：链接
2. 关于核函数的理论讨论，见链接[4]
3. 关于神经网络的感性探讨，见链接[5]
4. 链接[8-11]讨论了卷积神经网络的原理及细节
5. 链接[7]详细描述了卷积神经网络的意义、卷积的用法，及图像滤波器（核）的意义。
6. 链接[8]描述了一个深度卷积神经网络的计算过程
read topic
[1] http://www.zhihu.com/topic/19607065
[2] http://www.zhihu.com/question/24904450
[3] http://zhuanlan.zhihu.com/cvprnet/19821292
[4] http://www.zhihu.com/question/24627666
[5] http://www.zhihu.com/question/22553761
[6] https://colah.github.io/posts/2014-07-Conv-Nets-Modular/
[7] https://colah.github.io/posts/2014-07-Understanding-Convolutions/
[8] http://blog.csdn.net/lu597203933/article/details/46575779
[9] http://blog.csdn.net/whiteinblue/article/details/25281459
[10] http://blog.csdn.net/zouxy09/article/details/9993743
[11] http://blog.csdn.net/zouxy09/article/details/9993371
[12] http://blog.csdn.net/happynear/article/details/46822109
Yi-Ting Chen, Multi-instance Object Segmentation with Occlusion Handling
Multi-instance Object Segmentation with Occlusion Handling
Yi-Ting Chen1 Xiaokai Liu1;2 Ming-Hsuan Yang1
University of California at Merced1 Dalian University of Technology2
来源CVPR2015
名词：intersection-over-union (IoU)
两个图像的重合部分面积与合并面积之比，反映两幅图像的形状重合度
本文使用SDS算法[1]。
SDS算法主要分为4步：
（1）通过MCG[2]方法生成基于像素的分割。
（2）通过R-CNN[3]进行图像形状的分割和预测
（3）通过Box CNN结合Region CNN进行分类
(4)性能优化
参考文献：
[1] B. Hariharan, P. Arbel´aez, R. Girshick, and J. Malik. Simultaneous detection and segmentation. In ECCV, 2014.
[2] P. Arbel´aez, J. Pont-Tuset, J. T. Barron, F. Marques, and J. Malik. ultiscale combinatorial grouping. In CVPR, 2014.
[3] R. Girshick, J. Donahue, T. Darrell, and J. Malik. Rich feature hierarchies for accurate object detection and semantic segmentation. In CVPR, 2014.
CVPR 2015
1. RGB Segmentation 与 Depth Segmentation融合进行图像划分。
文档链接
Banica D, Sminchisescu C. Second-Order Constrained Parametric Proposals and Sequential Search-Based Structured Prediction for Semantic Segmentation in RGB-D Images[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015: 3517-3526.
2. CNN识别图片中的材质（Texture）
文档链接
Cimpoi M, Maji S, Vedaldi A. Deep filter banks for texture recognition and segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015: 3828-3836.
3. CNN划分并识别图像区域
文档链接
Dai J, He K, Sun J. Convolutional feature masking for joint object and stuff segmentation[J]. arXiv preprint arXiv:1412.1283, 2014.
4.CVPR 2015总结
链接：http://www.computervisionblog.com/2015/06/deep-down-rabbit-hole-cvpr-2015-and.html
订阅：
评论 (Atom)