Auto-context 简介

提出Auto-context 的论文地址： Auto-Context and Its Application to High-Level Vision Tasks and 3D Brain Image Segmentation

转述一下以前看过的一篇学生写的博客的简介：

       Auto-context 算法便是一种能有效识别物体的统计模型。其实人们早就发现context和高层次信息在物体识别及场景理解中有着关键的作用，却总是找不到一种有效的解决模型。注意这里的context有各种各样的意思，可以是物体的内部轮廓、形态，也可以是物体间的各种关系。比如，一张清楚的马脸暗示着它的尾巴和腿的位置，这是通常被忽略掉且很难识别出来的。又比如一幅图像中的汽车暗示着公路的存在，反之看到公路的图像人们也联想汽车的存在。所谓识别即是分类，设X表示的是各种数据，Y表示数据的类别，通过对这些数据的学习使得分类器在看到一个新的数据X时，能准确地找到它的类别Y。传统的分类器完成对训练数据的学习后便一直用这个自身去预测新的数据。而auto-context是一个迭代的过程，其第一步用传统分类器对新数据进行识别，得到这个数据属于各类别的概率P(0)(i)；第二步的数据训练集S不仅包含数据X，类别Y，还包含有上述所得的P(0)(i)，得到一个新的分类器后再对新数据识别得到其分别属于个类别的概率P(1)(i)；更新S中的P，重复第二步，一直到收敛，即P几乎不变。这时便得到比传统方法更清晰的识别图像。如下图所示，第一行是输入的数据（图像），第二行是auto-context的第一次迭代结果，也是用传统的分类器识别后得到的分类图，第三和第四行分别是auto-context的第三次和第五次迭代结果。

 

     从上可以清楚地看到auto-context能更准确的识别物体，且其算法实现也是较为简单的，优点自然是不言而喻。但由于过多的迭代过程，学习的训练时间也稍长，少则半天，多达一周；并且其训练数据必须是可见的，也就是说用于训练的每个数据的类别必须是完全已知的。比如一幅图画，必须已知哪块是蓝天，哪块是草地，哪里是汽车等等。