1. 文章的主要思路是什么?
2. 文章的贡献,创新点在哪里?
3. 文章的不足在哪里?
4. 作者的单位和作者自己的研究方向是哪些?
5. 文章关注的重点是什么, 反映了哪些机器学习领域的研究趋势?
6. 为什么能被录用?
7. 研究的动机是什么?
其它需要讲的, 请各位补充..
2009年4月13日星期一
Fast Image/Video Upsampling
本文发表于sa08，文章提出了一种基于图像成像过程(Image Formation Process)的提升采样算法，可以应用于图像与视频超分。文章主要的idea是使用一个反馈网络（包括逆卷积，重新计算卷积，像素替换，其中像素替换过程是本文的一个创新点）对原始图像进行迭代计算，文中提出的算法可以较好的保持原图的局部结构信息。与其他的算法相比，本文的算法有如下好处：
- 不需要额外的训练数据来学习一些结构特征，因此应用范围较广，但是与基于学习的算法相比对原始图像的要求更高；
- 尽管算法设计是基于图像成像过程的提升采样，但是算法对其他模型的效果也很好，甚至可以直接应用到视频的提升采样中，并且在保持连贯性上表现十分出色；
- 这个算法的效率很高，可以推广到实时计算上。
2009年4月9日星期四
增加 LaTeX 公式支持
现在可以使用如下方式插入
\text{\LaTeX} 公式，- 使用行间公式可以用 HTML 的 pre 环境，<pre lang="eq.latex">Your Equation Here</pre>，如
(a + b)^n = \sum_{i = 0}^n \binom{n}{i} a^i b^{n - i}. - 使用行内公式可以用 HTML 的 code 环境，<code lang="eq.latex">Your Equation Here</code>，如
\inline \sum_{n = 1}^\infty \frac{1}{n^2} = \frac{\pi^2}{6}。
2009年4月7日星期二
Relative Margin Machine
我们知道,传统的SVM是基于最大化margin的,目标函数仅考虑使得margin最大同时错误率最小.但这种方法没有考虑到数据的扩散(spread)情况.例如有两组采样数据,第一组从(1,1)点开始向x轴正向扩散,第二组从(-1,-1)点开始向x轴负向扩散.传统的SVM会将y=x作为分类器,而事实上最好的分类器是y=0,并且如果数据沿x轴放缩(scale),采用SVM得到的分类器错误率还会上升.所以在最大化margin的同时,还需要考虑数据的扩散情况,使数据沿w方向的扩散程度最小.这就需要在目标函数中再加进一个正则项.接下来就是对新的目标函数的求解问题.
2009年4月6日星期一
Seam Carving for Image Resizing
Seam Carving 是一种图像缩放技术。Shai Avidan 和 Ariel Shamir在07 Siggraph 提出，在08 siggraph 做了改进使得这种方法能扩展到video 的缩放。传统的图像缩放是基于如双线性差值的技术。这些技术在保持图像结构上是很好的，特别是在图像的相似变换（即图像宽和高之比不变的情况下）缩放是很好的。但是在实际应用中，由于各类显示屏的宽和高之比不完全相同，往往要有基于宽和高之比发生变化的图像缩放。对于这种缩放，通常是先在一个维度（比如宽）方向上缩放到目标宽度，然后再在高方向上做类似缩放。由于在seam carving 技术中，图像放大技术完全是基于图像缩小技术来做的，所以讨论seam carving性能时往往只考虑单独将图像宽（高）缩小一定比例来考察的。这个比例一般是1/3到1/2。 假如现在要将图像宽度缩一半，最直观的做法是将图像的某些不重要的列拿掉以达到宽度缩小的目的。而seam carving 的做法是更大胆的，它将图像中从第1行到最后一行8邻域连接路径（保证每行一个像素点）的seam 去掉。去掉k条seam，宽度缩小k。至于决定去掉哪些seam，backward seam carving 用了一阶梯度，forward seam carving 考察去掉seam后对图像的影响。
具体内容参见以下网站，里面有文章和demo以及做好的应用程序：
具体内容参见以下网站，里面有文章和demo以及做好的应用程序：
订阅：
博文 (Atom)