Decorrelating Semantic Visual Attributes by Resisting the Urge to Share 论文笔记

今天读的是CVPR2014 的“Decorrelating Semantic Visual Attributes by Resisting the Urge toShare”。此文的一大亮点不在于它的方法，而是正视现在热门的Visual Attributes based的方法，并开门见山地说出了“Existingmethods to learn visual attributes are prone to learning the wrong thing”，指出现在我们所说Attribute的学习很可能只是学到一些相关的attribute，而不是要学习的attribute本身。比如对于图1反映的情况，当我们要去学一个“furry”的属性时，搞不好我们其实学的是“brown”这个属性（因为有“brown”这个属性的图恰恰都有“furry”这个属性）

                                                                                            图1

那么应该如何解决这个问题呢？作者的提供的思路是属性分组+局部属性（空间稀疏化）+特征选择的组合（和我自己在做的思路一致啊，再次说明了出文要趁早）。这样做为什么可行呢？原因很直接：首先，对于属性分组，我们可以按语义将属性划分为不同的子集，比如颜色={“黑”，“红”}，皮肤纹理={“有毛”，“有斑点”}等等。那么对于不同的分组，我们自然可以为它选择不同的图像特征进行描述，比如颜色用颜色直方图，皮肤纹理用glcm，而不是每个图像都用所有特征的串联，这就可以一定程度上避免刚刚说到学到相似属性的问题。第二，局部属性（文章中叫空间稀疏化），其实就是将原图划分为块，再每块都当作一个实例来处理。那么这样就可以避免一些背景或者是物体本身的干扰，比如当我要学习“游泳”这个属性时避免学到海豚图像中的海的“蓝色”。特征选择（特征空间的稀疏化）和第一个目的一样，只不过是当比如学习颜色特征时，采样一些自动得方法，而不是用户实现定义。

文章中具体的实现用的是Multi-Task Learning。这块我没有研究过因此文中的数值解法是否可行就不得而知了。还是从公式入手看看文章是怎么做的吧：

首先，定义训练的损失函数L：