《Vehicle Detection in High-Resolution Aerial Images via Sparse Representation and Superpixels》论文笔记

系统流程图:

目标函数：

里面用到的小trick:

(1) 训练样本挑选,选取正样本时候考虑多样性，选取负样本时候考虑与正样本的相似同时可区分，这样的用意是使得分隔超平面更加精确.首先superpixel中挑选了较清楚的60正样本和120负样本，训练字典过程中自动挑选后，扩充到180正样本和1080负样本.

(2)计算效率改进：训练和测试旋转样本，为什么训练阶段也要分割呢，作者其实有从superpixel中人工挑选了较清楚的60正样本和120负样本，然后剩余的让程序迭代挑选，正样本时候考虑多样性，选取负样本时候考虑与正样本的相似同时可区分:

文中细节:作者认为预测对为ground truth和boundingbox 完全重合，如果覆盖多个框也只算一个，而且其余算false positive，算挺严格的评估，所以图像分割的破损率提高会导致false positive增多，精确度下降，奇怪的是为什么不用极大值抑制来过滤重合的车子，因为极大值抑制对密集的车辆容易漏测，而作者没有采用可能也是出于这个原因.论文中验证了sift特征不如hog特征.