图像处理与计算机视觉的论文创新点总结（二）

确定 ⇒ 概率 ⇒ 贝叶斯化；

算法的创新：

• stochasticity， hash；
• 对以前的算法、模型进行修改和改进；（也就是吴军老师所说的，N+1。试想有没有那么一种可能，N-M+K，华山不是只有路一条，适当地回退，再重新出发），比如
  
  • 在降维算法上，从 PCA 到 KPCA 的提出只能算是一种改进，
  • PMF （概率矩阵分解）原初的实现是基于高斯分布，等价于 L2 的正则，将其分布设定为拉普拉斯分布，就等价成了 L1 正则，这也是针对算法具体问题进行的改进；
• “新”的模型和算法，属于另辟蹊径；当然也算不上严格意义上的“全新”，也不是基础性原理性的转变，不是缝缝补补的工作，而是开辟了新的路径；
  
  • 降维算法从 PCA 完全转向为流形学习；
• Binary masking noise：
  
  • set a fraction of the features of each input to zero.
  • 让一部分的值为0，其他的值仍保持不变；

1. 拓展和泛化（Generalized）

• 从调和平均到加权调和平均

  关于调和平均（harmonic mean）：

  $$H=\frac{1}{\frac1n\sum\limits_{i=1}^n\frac{1}{x_i}}=\frac{n}{\sum\limits_{i=1}^n\frac{1}{x_i}}$$

  进一步将其拓展泛化为加权调和平均：

  $$H=\frac{1}{\frac{1}{\sum\limits_{i=1}^nm_i}\cdot\sum\limits_{i=1}^n\frac{m_i}{x_i}}=\frac{{\sum\limits_{i=1}^nm_i}}{\sum\limits_{i=1}^n\frac{m_i}{x_i}}$$