视频监控与视频分析-第十四章深度学习资料.ppt

Summary and Comparsion   HC方法速度快，并且产生细节精确的结果，RC方法同时考虑了全局对比度和空间相干性，可以产生空间增强的高质量显著性图像，但与此同时具有相对较低的计算效率，两种算法均性能优异。 选择以下现有的显著性检测算法作为对比对象： （1）FT算法（参考文献：Frequency-tuned Salient Region Detection.2009,CVPR） （2）LC算法（参考文献：Visual attention detection in video sequences using spatiotemporal cues.2006 , ACM Multimedia） （3）SR算法（参考文献：Saliency detection: A spectral residual approach.2007,CVPR） Lab color space   Lab是一种不常用的色彩空间是一种基于生理特征的颜色系统。带有维度L表示亮度，a和b表示颜色对立维度。Lab颜色空间比计算机显示器、打印机甚至比人类视觉的色域都要大。 常用的RGB颜色模型 Lab color space L分量用于表示像素的亮度，取值范围是[0,100]，表示从纯黑到纯白。 a分量表示从红色到绿色的范围，取值范围是[-128,127]。 b分量表示从黄色到蓝色的范围，取值范围是[-128,127]。 Lab color space   Lab是一种基于生理特征的颜色系统。这也就意味着它是用数字化的方法来描述人的视觉感应。 Advantages of Lab color space   Lab颜色空间相对RGB颜色空间的优点 Lab模型与设备无关，弥补了RGB模型依赖设备颜色特性的不足，此外它色域宽阔，不仅包含了RGB的所有色域，还能表现RGB不能表现的色彩，它弥补了RGB模型色彩分布不均的缺陷(RGB在蓝色到绿色之间过渡色彩过多，在绿色到红色之间缺少黄色和其他色彩)。 如果希望在图像处理中保留尽量宽阔的色域和丰富的 色彩，可以选择在Lab空间中进行处理，处理后的再 根据输出的需要转换到RGB空间中 返回 * * * * * * * * 深度学习的应用 深度学习在大尺度数据集上的应用 参数个数达到1.15 billion，若不能并行优化参数，任务无法完成！ 深度学习的应用 深度学习的State-of-the-art 展 望 未来需解决的问题： 对于一个特定的框架，多少维的输入它可以表现得较优？ 对捕捉短时或者长时间的时间依赖，哪种架构才是有效的？ 如何对于一个给定的深度学习架构，融合多种感知的信息？ 如何分辨和利用学习获得的中、高层特征语义知识？ 有什么正确的机理可以去增强一个给定的深度学习架构，以改进其鲁棒性和对变形及数据丢失的不变性？ 模型方面是否有其他更为有效且有理论依据的深度模型学习算法？ 是否存在更有效的可并行训练算法？ 参考文献 Tutorials Background Material – Yoshua Bengio, Learning Deep Architectures for AI, Foundations and Trends in Machine Learning, 2(1), pp.1-127, 2009. – LeCun, Chopra, Hadsell, Ranzato, Huang: A Tutorial on Energy-Based Learning, in Bakir, G. and Hofman, T. and Scholkopf, B. and Smola, A. and Taskar, B. (Eds), Predicting Structured Data, MIT Press, 2006 Convolutional Nets – LeCun, Bottou, Bengio and Haffner: Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE, 86(11):2278-2324, November 1998 – Jarrett, Kavukcuoglu, Ranzato,