blog

简单看了一部分CVPR2015的文章。整理了一下

1.   竞赛的Workshop还是很有意思，相比暑假参加的ICME这种盛会，小会议的内容会比较集中，大家都是做这个数据集的，不像盛会，一个session里面论文的话题变化太大。另外看到同领域大佬的机会也更大了，能有机会和他们说上一两句话也挺有意思的。同理，大家都觉得ICMR是很著名的会议，称是ACM打造的除MM外Multimedia的第二顶会。

有个博友问SIFT和Dense-SIFT在应用上的区别。这个问题可以放大到Sparse feature和Dense feature的使用场景上。之前自己也考虑过这个问题，今天不妨写出来。

新的一轮又要开始了。一年中虽然不知道怎样能中，但至少知道怎样不能中了。新的一年好好努力。

With the new academic term almost upon us, several of my students started to put together a list of practical advice for incoming students—including various niceties such as how to gain access to the

本文主要讨论为什么当前流行的检索方法仍然是BOW。

找了一下CVPR 2014关于Image and Video Retrieval的文章，列在下面：

前一段时间很多人在网上传程明明在CVPR14年上即将发表的Objectness文章，Project Page在这里，和这里。最近，正好想用一般物体检测做点事情，上周也在实验室做了一个这个方面的报告，今天打算在博客上总结一下。

不久以前读的一篇好文，主要是讲机器学习到底是属于什么学科或者研究领域，同时也介绍到了ML与AI之间的关系。作者是南京大学的周志华老师。废话少说，直接上文章。-------------------------------------------------------      机器学习现在是一大热门，研究的人特多，越来越多的新人涌进来。      不少人其实并没

Bag of words模型在图像分类和检索的相关问题中，能够将一系列数目不定的局部特征聚合为一个固定长度的特征矢量，从而使不同图像之间能够进行直接比较。然而，BOW往往作为一种编码方式被解释着（SIFT作为coding，BOW作为average pooling），在这里，我会从一个近似最近邻（approximate nearest neighbor）的角度解释一下BOW。

这又是林达华的一篇好文，将四个概念在某个方面解释的很清楚，特别是特征值和特征向量的意义，让人豁然开朗。         原文已经找不到了，好像是因为林达华原来的live博客已经失效，能找到的只有网上转载的文章（本来还想把他的博客看个遍）。林本人的数学功底之强，有时候会让我们这些搞CV、ML的人趁还在学校，重头把一些数学学一遍。不过想想学校所开设的课程实在是屎（老师和学生们都是混），也就想想罢了

原文来自 http://shibeichen.com/post/20010616910还有来自知乎的各种声音：http://www.zhihu.com/question/20612417至少在我阅读这本书的时候，将书中大部分陈述当做事实来看待，对于作者在文中阐释的一些态度，确实很多不能认同（有的时候会认为自己才疏浅薄，不能正确理解，现在看到一些同样观点后发现大可不必这样）。另一方面，抛

图像表示往往基于如下最小化问题：

原文转自：http://blog.csdn.net/zouxy09/article/details/8550952原作者是zouxy09，之前已经转载了他的好几篇文章了，比如LBP、HOG。这次转载是在寻找unsupervised image segmentation的方法及源代码的时候搜寻到了这里，找到了Efficient Graph-based Image Segmentation 的

看到博客（这里）中说，在matlab中， 当数据比较大时，运算起来就困难了，有时候还会out of memory。原因是默认情况下matlab用double存储数据。而double数据类型占8个字节，single类型占4个字节。把数据类型从double类型转换成single类型可以节省一半的空间。（如果怀疑可以用whos指令查看）。本来很有道理的，但是看到有人说（比如这里）：The forma

Computer Vision是AI的一个非常活跃的领域，每年大会小会不断，发表的文章数以千计（单是CVPR每年就录取300多，各种二流会议每年的文章更可谓不计其数），新模型新算法新应用层出不穷。可是，浮华背后，根基何在？对于Vision，虽无大成，但涉猎数年，也有管窥之见。Vision所探索的是一个非常复杂的世界，对于这样的世界如何建模，如何分析，却一直没有受普遍承认的理论体系。大部分的

转载：http://www.cnitblog.com/tarius.wu/articles/2277.html转载：http://www.fansoo.com/blog/2011/kernel-threads-lightweight-processes-threads-and-linuxthreads-library-users/内核线程内核线程只运行在内核态，不受用户态上下文的拖

ScSPM的论文中提到了码书的过完备（over-complete）。一开始没有太在意过完备有什么问题，今天想了想把这个概念弄明白了。

本文的内容主要来自余凯老师在CVPR2012上给的Tutorial。前面在总结ScSPM和LLC的时候，引用了很多Tutorial上的图片。其实这个Tutorial感觉写的挺好的，所以这次把它大致用自己的语言描述一下。不过稀疏编码是前两年比较火的东西，现在火的是deep learning了。1、What is sparse coding?       稀疏编码的提出，最早是用于解释人脑的视

上一篇提到了SPM。这篇博客打算把ScSPM和LLC一起总结了。ScSPM和LLC其实都是对SPM的改进。这些技术，都是对特征的描述。它们既没有创造出新的特征（都是提取SIFT,HOG, RGB-histogram et al），也没有用新的分类器（也都用SVM用于最后的image classification），重点都在于如何由SIFT、HOG形成图像的特征（见图1）。从BOW，到BOW+SPM