这篇论文《Efficient Diffusion on Region Manifolds: Recovering Small Objects with Compact CNN Representations》发表在2017年CVPR上。
我自己的PPT: Efficient Diffusion on Region Manifolds: Recovering Small Objects with Compact CNN Representations
对于文章题目《在区域流形上的有效扩散:使用紧凑的CNN表示恢复小目标》,重点理解了在区域流形上的有效扩散过程。恢复小目标部分还不是很明白是如何进行的。
博客内容的顺序与论文稍有不同。
1. 背景知识介绍
阅读这篇文章之前,从未接触过所谓流形以及扩散的概念。所以找了一些文献,先简单解释一下这两个名词。
流形(Manifold)是现代数学中描述复杂对象的基本概念,是指局部地具有n维空间或某个其他向量空间的结构(拓扑的、光滑的、同调的等等)的几何对象。粗略地讲,流形就是将局部简单的面片粘合起来形成整体复杂的形状。
虽然概念给出,但依然不好理解。
在一篇中文文献中提到流形可以应用在图像分类问题中:“在分类问题中,如果每类样本均能够由一个流形很好地描述,那么我们只需要对每类样本学习一个流形,在分类时计算样本到每个流形的距离,将其分类到与其最近的流形所在的类即可。”
基于这句话,我认为流形可以简单地理解为是一个类的模板或者一个类的图像的聚类结果。对图像提取特征,每一类的图像描述符形成一个流形。
扩散:类似个性化的PageRank
个性化的PageRank的目标是要计算所有节点相对于用户u的相关度。从用户u对应的节点开始游走,从当前节点指向的节点中按照均匀分布随机选择一个节点往下游走。