读书笔记(图像和视频中的不规则检测).docVIP

论文题目：Detecting Irregularities in Images and in Video 所载刊物：International Journal of Computer Vision 74(1), 17–31, 2007 作者：Oren Boiman and Michal Irani 主要内容和结论（观点）： 该文主要阐述了作者在检测图像和视频等可视化数据中的不规则数据的研究成果。 文章中表明，图像和视频中不规则图像模型的探测在各种各样的任务中都是很有用的。对于监视和监测来说探测可疑行为或是异常目标是重要的。 早先识别可疑行为或活动的方法可以广泛的被分成两类：基于规则的方法和没有预定义规则的统计方法。P(x, y) = P(y|x)P(x)。diy表示观察到的碎片y中的第i个描述符向量，liy表示它的位置（在绝对坐标里）。类似的，dix表示在碎片x中的第i个隐藏（数据库）的描述符向量，lix表示它的位置。令cy和cx表示被观察到的和隐藏的组合的“原始”点。任何这样一对组合y和x的相似性被以下的可能性公式捕获： P(x, y)= P（cx , d1x , . . . , l1x , . . . , cy , d1y , . . . , l1y, . . .）(公式1) 我们用一个高斯分布在描述符间建立相似性模型： P（diydix） =1 exp（?12（diy? dix）T S D?1（diy? dix））(公式2) 这里，α1是一个常量，S D是一个常量协方差矩阵，它决定描述符值的可允许的偏差。其它的分布可以根据其它描述符的相似性函数插入到模型中。给定一个隐藏数据库碎片的相对位置(lix? cx)，观察相应碎片(li? cy)的相对位置被假设成不依赖于所有其它碎片位置。这个假设使得有足够灵活性去适应在视线角度、范围、位置和行为上的微小变化进行比较两个碎片组合的几何排列，这样： P（liylix, cx , cy）= 2 · exp（? 12（（liy? cy） ? （lix? cx））T S?1L（（liy? cy） ? （lix? cx））））(公式3) 到目前为止我们已经建立了组合（描述符：diy, dix和相应位置：liy? cy , lix? cx）间属性的关系模型，我们仍然需要建立隐藏组合内的关系（也就是一个碎片描述符dix和它的位置间lix的关系）模型。利用数据库中的样本进行非参数化的为它建模： 1 (dx , lx ) ∈ Database P (dx | lx ) = (公式4） 0 otherwise 这里dx和lx是任意描述符和位置。 这样，对于一个观察到的组合y和一个隐藏数据库组合x，我们可以通过(2)–(4)来得出公式(1)的共同可能性P(x, y) 如下：P（cx , d1x , . . . , l1x , . . . , cy , d1y , . . . , l1y）=αP（liy| lix, cx , cy）P（diy| dix）P（dix| lix） (公式5) 对于任何隐藏的非零可能性的集团分配,我们定义组合代价为负的对数可能性函数： -logP（cx , d1x , . . . , l1x , . . . , cy , d1y , . . . , l1y）= -log P（liy| lix, cx , cy）-log P（diy| dix）(公式6) 当α1= log (α)时是常量。 2、信任传播推论 给定一个观察到的组合，我们寻找一个隐藏的数据库组合，这个组合最大化它的MAP（最大归纳的可能性）分配。这被通过上面统计模型来完成，这个模型具有一个简单并且确切的信任传播运算法则。根据(5)， MAP分配可以P（cx , d1x , . . . , l1x , . . . , cy , d1y , . . . , l1y）=αP（liylix, cx , cy）P（diydix）P（dixlix）(公式7) 首先我们为每一个碎片计算从结点dix到结点lix关于它在位置lix的信任消息： midl（lix） = P（diydix）P（di xlix） (公式8) 也就是，对于每一个观察到的碎片，用高描述符相似性计算每一个候选数据库位置lix。cx：milc(cx) = P（liylix, cx , cy）mdl（lix）(公式9) 在这一点，我们有一个被每一个碎片暗示的候选原始列表。为了计算一个整体组合任务的可能性，我们从组合里的所有个体碎片中乘这信任： mc (cx ) =milc (cx ) (公式10) 通过这个运算法则处理的推论运