基于网络监督的可视化概念学习概要1.pptVIP

模板来自于 * 模板来自于 * 模板来自于 * 模板来自于 * 模板来自于 * 模板来自于 * 模板来自于 * Learning Everything about Anything: Webly-Supervised Visual ConceptLearning 小组成员：唐强 姚亚会 巩雅丽 * variations concept Christmas(event) horse(object) walking(action) kitchen(scene) 01 02 03 04 a fully-automated method discover an exhaustive vocabulary train a detection models all its appearance variations i.e.actions,interactions,attributes. explain Online system: 1.introduction 对一个概念进行学习并建模的传统做法： Variance discovery(通常是依赖基准数据集人工定义词汇) gathering the training data(训练数据可以是Images和annotations) variance modeling(将训练数据分成几个小的子类，有几种分割方法：viewpoint、aspect ratio、poselets、visual phrases(词包)、taxonomies、属性等) 存在的问题： 1.how can we gather an exhaustive vocabulary that covers all the visual variance within a concept? 2.how can we scale the above paradigm to learn everything about anything? 0 1 词汇不能穷举，受文化、地理、现世性影响具有偏差，使得模型变复杂 0 2 预先定义的词汇并不适用于新的概念，使得人工定义词汇工作变得繁重 0 3 灵活性太差，一经注释，就很难在修改 0 4 当新的概念出现时，要么形成新的数据集要么往已有的数据集中添加新的注释 1.1. Variance Discovery and Modeling drawbacks of Using explicit supervision for variance discovery: That Day 2.Overview 3.1 classifier-based pruning 使用dense HOG feature,用正样本 和负样本 训练一个linear SVM gather randomly 背景图片 ngram i a set of images 使用检索出的前64张图片 这些图片分为数目相等的两个集合，分布为training sets和validation sets augment the training image 训练好之后，用验证图 片集 进行评估 验证得到average precision(A.P.) 将阈值设置为A.P.x10% eg:eating horse 图片的大小为64x64个像素，而且忽略近似重复的图片 只有当A.P.阈值时，ngram i才是明显的，将阈值设置为A.P.x10%时，保证所有明显的ngrams都被找到 3.1 Space of visual variance 为了避免对同义的ngrams(e.g.sledge horseand sleigh horse,plow horseandplough horse)和虽然不同意但视觉上相似的实体(e.g.eating horse,“grazing horse)训练独立的模型，就需要对一个概念的视觉空间进行采样，基于连个主要的标准：quality和coverage(diversity). 不同义的 同义的 ngramj ngramk ngrami score score score a graph G=(V,E) 用一个graph G=(V,E)来表示all ngrams一个空间，其中每个节点代表一个ngram,每条边代表ngram i与ngram j之间的视觉相似度，第i个节点的得分为 ， 为分类器 在它的验证集 上的A.P.(平均准确率)， 指的是第j个ngram分类器在第i个ngram验证集上的得分，得分越高，说明两个ngram越相似。 searching for subset S Vthat maximizes the