資源描述：
《閱讀文獻翻譯》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、多核學習在對象檢測中的應(yīng)用本篇文章中翻譯的是該原文的第一、第二部分和第四章的應(yīng)用細節(jié)，第三章部分是應(yīng)用的一些理論部分細節(jié)，在此不做翻譯摘要：我們的目地是為了獲得一個當前技術(shù)水平的對象分類檢測方法，這種方法是使用當前技術(shù)水平的分類器方法在一個圖像窗口中來尋找對象，我們使用Varma和Ray所提出的多核學習方法對X2核來實現(xiàn)一個最優(yōu)化的組合。我們的特征包括邊界特征、稠密和稀疏視覺字，還有在不同層次的空間結(jié)構(gòu)中的特征描述子。這樣的一個有力的分類器由于一些時間的關(guān)系是不能在一個圖像窗口中同時進行檢測，因此我們提出了一種新奇的三階段分
2、類器，這包括線型，近似線型，和非線性SVMs。我們表明了增加非線性的核增加它的描述能力，但是這是以增加計算復雜度為代價，我們的貢獻包括以下部分1）一個線性分類器能夠使用一個使用到的圖像窗口的多少來估計（它是獨立于窗口的面積和描述子的維度），2）三個關(guān)于候選區(qū)域的加速算法的加速算法的比較（包括Chum和Zisserman的基于尺度不變性的特征的跳躍窗口分類器）；3）引入重疊回憶曲線來作為一個比較和優(yōu)化中間管道性能的的方法。這個方法是在PASCAL視覺對象檢測挑戰(zhàn)集中評估，并且與之前提到的對分類方法相比獲得了較好的性能。引言：在
3、這篇論文中，我們的目的是對象分類檢測：這個任務(wù)是確定一個或者更多的場景是否在一個圖片中存在，如果存在，就使用一個緊鄰的方盒子來包圍它并確定它的位置，這里必須要確定的一點就是在圖片中是否存在一個場景（但是不指出它的位置），這種方法目前為止已經(jīng)有很大成功。對于Caltech101/256數(shù)據(jù)庫得到很好的性能是使用以下方法：1、使用多特征值；2、使用空間信息；3、使用多SVM分類器多核學習方法最優(yōu)化特征組合和空間金字塔水平。這種對圖像的當前最先進水平性能在很大程度上已經(jīng)一致了，但前提是在對象占據(jù)了圖像的大部分和背景的復雜的不高。我
4、們在這里做研究的目的是這些1、這份額圖像分類的方法能成功的應(yīng)用在檢測上面嗎？比如說在挑戰(zhàn)性比較高的的方確定那個對象位置（位置改變，背景復雜化）；2、如果它能用作一個檢測器，那么它的性能與當前最先進的技術(shù)相比會是怎么樣？我們使用PASCALVOC作為試驗臺數(shù)據(jù)來訓練和測試，這主要是因為當前的檢測方法一般都是都是用這些來進行比較。一個自然的切入點是以Viola和Jones的方式使用當前水平的圖像分類器作為一個滑動窗檢測器，然而，一個理想的實施在計算上是不可能實現(xiàn)的，這是因為：（一）區(qū)域在位置、規(guī)模、和空間比率上面進行搜索；（二）
5、每個區(qū)域都是用高維特征直方圖進行描述（這是因為多特征通道和空間細分的組合）；（三）分類器使用非線性核和成千上萬的支持向量。人然而對相關(guān)的計算的加速算法在文獻【13、16】中都已經(jīng)被提到了，我們在第三章中會表明它們在使用最強的模型時加速效果不是很好。就像【24】中提到的那樣，我們因此使用一種級聯(lián)式的方法，在這個末尾的時候，我們引入一個新奇的多級分類器，在其中向下的每一個階段，我們使用一個相對比較有力（但是代價更高）的根類器來接近我們的目標，在3.1章中，我們會對三個適合于第一階段的快速分類器做一個比較，前兩個是線性分類器（同樣
6、也是包含多核），這些方法在計算單獨整體圖像中是很迅速的，這種節(jié)省在以前的工作是沒有被使用的，但是在使用高維度特征直方圖的時候就是必不可少的。第一個分類器是普遍使用的一個固定的窗口，第二個根據(jù)數(shù)據(jù)考慮了多縱橫比率，第三個分類器就是一個“跳動窗”，就是可以根據(jù)訓練集中的變化來改變縱橫比，這些分類器的輸出是候選區(qū)域，對每幅圖像大約是2000個，這些然后被傳到后面的更強力階段中，為了比較三種方法的性能，我們引入了重疊回憶曲線。在3.2章節(jié)中我們討論了第二和第三階段的分類器，這兩個是基于代價較高的近似線性和非線性的核，評估近似線性分類
7、器是獨立于支持向量的個數(shù)，而要計算每個候選區(qū)域的大量的高維數(shù)直方圖是很必要的，而這些算法使這個分類器要比第一階段的分類器要慢上上千倍。最后我們把大概100個候選區(qū)傳遞給第三階段，第三階段是最慢的一個階段，即使很少數(shù)量的候選區(qū)來進行估計，因為大量的支持向量和高維直方圖，它的計算素的也是很慢的。在3.3章節(jié)中，我們討論了特征直方圖標準化在效率和模型質(zhì)量上的影響。在4.1中我介紹了特征和應(yīng)用的一些細節(jié)上的問題，在4.2中描述了學習過程，在第五章中評價了性能，我們把這個方法應(yīng)用在PASCALVOC數(shù)據(jù)庫上，并且表明MKL方法確實是可
8、以用做一個探測器，并且該方法在大多數(shù)情況下超過了當前時期內(nèi)在這個數(shù)據(jù)集上報道過的其他方法。相關(guān)的工作與我們的工作相類似的是INRIAPlusClass也是在PASCALVOC上工作。不管我們還是他們都是使用了多特征和級聯(lián)式的方法，他們的重點是使用上下文信息，而我們的是在提高對象表示的質(zhì)量和
