论文阅读02 Unsupervised Feature Learning for RGB-D Based Object Recognition

****论文：《Unsupervised Feature Learning for RGB-D Based
Object Recognition》–无监督特征学习的RGBD目标检测-2012

介绍：
人工设计的特征：SIFT、Spin Images 、SURF、Fast Point Feature Histogram、 LINE-MOD，或者各种特征的结合。
这些方法的限制：
1）只捕捉了原始数据一部分的识别线索，有些在特征设计时被忽略
2）对于新的数据类型需要重新设计特征

本文针对这些问题提出分层匹配跟踪（HMP）自动从原始数据学习鲁棒表示。
已有算法：deep belief nets 、 denoising autoencoders、deep Boltzmann machines 、 convolutional deep belief networks、 K-Means based feature learning 、hierarchical sparse coding

HMP通过K-SVD学习图像和深度patches上的字典，将观察结果表示为稀疏编码。字典的学习，利用正交匹配跟踪和空间金字塔逐渐构建特征层次。

创新点：
1）颜色和深度通道无监督特征学习
2）从HMP层次结构的两层稀疏代码上汇聚空间金字塔

学习字典和编码特征的数据：灰度、RGB、depth、表面法向量
从底层和高层提取特征

一、通过K-SVD进行字典学习
稀疏编码的关键思想是字典学习，字典是一组向量或编码，使得数据可以用字典条目的稀疏线性组合表示。比如，一个5x5的RGBD patch的字典是一个5x5x8的向量，其中最后一个分量8是由灰度强度（5x5x1）、RGB(5x5x3)、depth(5x5x1)和表面法向量(5x5x3)决定的。

结论：
通过无监督特征学习从原始的RGBD数据中学习丰富的特征，HMP是通用的，不需要依靠精细的特征设计，它的识别能力提高。