CVPR2015一些文章整理

简单看了一部分CVPR2015的文章。整理了一下。

当中我决定把精彩的文章加粗。

主要是认为有些文章仅仅读了一遍，没有发现非常多非常有道理的point（虽然我承认他们的工作都花了非常大的功夫。可是没有激起太大的兴趣去follow。或许有机会读第二遍的时候会再highlight）。另外MIT的博士生Zoya Bylinskii也总结了一个list，大家能够看看这里：http://web.mit.edu/zoya/www/CVPR2015brief.pdf

假设有不同看法的我们能够在评论区里讨论。

CNN结构的：

---  Fisher Vectors Meet Neural Networks: A Hybrid Classification Architecture，Florent Perronnin and Diane Larlus

相比于标准的CNN，变化是将卷积层所有变成标准的FV，全连接层的部分做分类层保持不变。比起标准的FV，无疑是把分类器变成了MLP。ACC相比标准的CNN下降。相比标准的FV提高。这样的从标准CNN入手，把前面的卷积和后面的全连通隔裂开对待/优化的文章还有arxiv上He Kaiming 的 Object Detection Networks on Convolutional Feature Maps。

---- Recurrent Convolutional Neural Network for Object Recognition

Weichen师兄在讨论班上的推荐。

把层次空间想象成序列空间，套上RNN，目的是为了使同一层的节点相互联系从而建模context。这个想法挺有脑洞。可是感觉非常不自然（为什么不直接建模相邻节点的依赖关系）。相比之下ION net建模context的方法更直接，以后有机会会讲讲ION。

物体检測与切割：

---- Learning to Propose Object， Philipp Krähenbühl, Vladlen Koltun

---- Improving Object Proposals with Multi-Thresholding Straddling Expansion， Xiaozhi Chen, Huimin Ma, Xiang Wang, Zhichen Zhao

---- Hypercolumns for Object Segmentation and Fine-Grained Localization。 Bharath Hariharan, Pablo Arbeláez, Ross Girshick, Jitendra Malik

这个比較有意思了，明确说CNN每一层都是实用处的。Holistically-Nested Edge Detection的模型跟这个模型有类似的味道。

---- Taking a Deeper Look at Pedestrians

这文章在方法上有啥创新点？好像就是把Cifar-net和Alexnet用在对行人的建模上。

---- A Convolutional Neural Network Cascade for Face Detection，Haoxiang Li。Gang Hua

CNN + Cascade，Calibration层有点意思，模型里还引入了multi-scale。

---- Deeply learned face representations are sparse, selective, and robust, Yi Sun, Xiaogang Wang, Xiaoou Tang

DeepID系列之DeepID2+。在DeepID2之上的改进是添加了网络的规模(feature map数目)，另外每一层都接入一个全连通层加supervision。最精彩的地方应该是后面对神经元性能的分析。发现了三个特点：1.中度稀疏最大化了区分性。并适合二值化。2.身份和attribute选择性；3.对遮挡的鲁棒性。这三个特点在模型训练时都没有显示或隐含地强加了约束，都是CNN自己学的。

已经迫不及待要看DeepID3了。

---- DeepID3: Face Recognition with Very Deep Neural Networks （顺带提一下吧）

DeepID3似乎是封山之作，结论是太Deep了在现有数据集上也没什么提升了。反正作者也毕业了。

CSDN有一篇对作者的专訪，见：http://www.csdn.net/article/2015-11-18/2826241

---- Hypercolumns for Object Segmentation and Fine-Grained Localization。 Bharath Hariharan, Pablo Arbeláez, Ross Girshick, Jitendra Malik

这个比較有意思了，明确说CNN每一层都是实用处的。

Holistically-Nested Edge Detection的模型跟这个模型有类似的味道。

---- Fully Convolutional Networks for Semantic Segmentation (Best Paper Honorable Mention), Jonathan Long, Evan Shelhamer, Trevor Darrell

文章把全连接层当做卷积层。也用来输出feature map。这样相比于Hypercolumns/HED 这样的模型，可迁移的模型层数（指VGG16/Alexnet等）就很多其它了。可是从文章来看。由于纯卷积嘛。所以feature map的每一个点之间没有位置信息的区分。

相较于Hypercolumns的claim，鼻子的点出如今图像的上半部分能够划分为pedestrian类的像素，可是假设出如今下方就应该划分为背景。所以位置信息应该是挺重要须要考虑的。这或许是速度与性能的trade-off?

----- Is object localization for free - Weakly-supervised learning with convolutional neural networks

弱监督做object detection的文章。首先fc layer当做conv layer与上面这篇文章思想一致。

同一时候把最后max pooling之前的feature map看做包括class localization的信息，仅仅只是从第五章“Does adding object-level supervision help classification”的结果看。效果虽好，可是这一物理解释可能不够完好。

（PS. arxiv上有三篇借助CNN做一般物体检測的：

---- DeepBox: Learning Objectness with Convolutional Networks，Weicheng Kuo。Bharath Hariharan。Jitendra Malik

没太大意思，就是把CNN用在所有物体类的训练上。另外证明学到的模型是generic的时候用了IOU-0.5的准确率而不是0.8或者AR是没有非常高信服度的。（ICCV2015接收）

---- Boosting Convolutional Features for Robust Object Proposals, Nikolaos Karianakis

把VGG第一层输出当做feature channel然后接boosting做分类。

并没有证明算法的一般性。

---- Learning to Segment Object Candidates， Pedro O. Pinheiro， Ronan Collobert， Piotr Dollar （NIPS2015接收）

文章好像没讲明确score那个分支训练集是怎样做出标注的（@8.7又读了一遍，怎样标注就靠正样本选取时的constraints。自己第一遍的时候没弄明确）。

segment相比bounding box在速度上也有点吃亏，所以5秒一个图算慢的（事实上5秒就能过一个图还是非常快的啊，用的是VGG16的网络）。但比起MCG这速度还是快多了。

另外Microsoft COCO今年被用起来了。Microsoft COCO也做成竞赛了。好像Detection Task今年在ICCV15要和ILSVR合办workshop。)

CNN做边缘轮廓检測：

---- DeepContour： A Deep Convolutional Feature Learned by Positive-sharing Loss for Contour Detection

二分类变多分类。有点joint learning的意思。

---- DeepEdge A Multi-Scale Bifurcated Deep Network for Top-Down Contour Detection

相当于一种multi-clues做二分类问题。文章里的multi-scale和上面CNN+Cascade那篇文章模型里用到的multi-scale不是同一个东西，用DSP-SIFT一文的总结就是，本文说的multi-scale仅仅是在size-space中选了多个size，并非CNN+Cascade一文中在scale-space中选择了多个scale。multi-scale是解决真正的不同尺度的多样性，而multi-size更像是引入不同的context以及克服occlusion。个人理解这两点的目标差别于此。

PS. 上面两篇相比传统方法提高并不明显。看来在比較底层的问题上人工特征与end-to-end学习模型相比没有在high-level计算机视觉任务上差距的大。

arxiv上Tu Zhuowen有一篇性能更高的。优势还是非常明显的（由于逐像素检測相比全图检測，失去了全局信息。这也隐含了R-CNN的缺点吧）：

---- Holistically-Nested Edge Detection

分析了各种multi-scale model，Wang Naiyan在VALSE的tutorial上也用了这个论文的插图。

这个模型非常复杂了。除了讨论multi-scale以外。还叠加了cnn multi-layer的区分性，有点Hypercolumns的味道。

（ICCV2015接收）

利用CNN的局部性解决计算机视觉问题：

---- A Discriminative CNN Video Representation for Event Detection，Zhongwen Xu, Yi Yang, Alex G. Hauptmann

CNN conv5输出能够作为concept detector。valse上的ppt：这里。

---- Exploiting Local Features from Deep Networks for Image Retrieval

Workshop paper，与上文的思路如出一辙，只是证明了在检索过程中concept概念越抽象不一定越好--由于搜索毕竟是instance-level的，不是class-level的。

图像检索的：

---- Query-Adaptive Late Fusion for Image Search and Person Re-Identification

郑博每年都有CVPR。恭喜。在valse上的ppt：这里。

我们在Trecvid2015的竞赛中用了这种方法。非常多人当时也认为这项工作非常有意义。

---- Early Burst Detection for Memory-Efficient Image Retrieval。 Miaojing Shi, Yannis Avrithis, Hervé Jégou

Hervé Jégou也添加FAIR了

---- Pairwise Geometric Matching for Large-scale Object Retrieval

利用Geometry information做 verification的。速度还挺快。

Eye-fixation:

----  Predicting Eye Fixations Using Convolutional Neural Networks, Nian Liu, Junwei Han, Dingwen Zhang, Shifeng Wen, Tianming Liu

之前没太关注eye-tracking data。这篇文章就是用预測eye fixation的，跟显著性有比較大的联系。

这篇文章中利用的multi-resolution的模型。在看过其它文章之后不会认为有特别特殊的地方。可是从一个contrast导致saliency的角度去结束这里用到的multi-resolution模型，还有点意思。（add@Nov/09/2015: 事实上在Naiyan Wang在VALSE上的总结，Saliency和Edge Detection、Segmentation类似。都是做pixel-wise labeling。所以这几个问题都是同质的。所以用类似的模型去解决全然合理。

）

----  Eye Tracking Assisted Extraction of Attentionally Important Objects From Videos， Karthikeyan Shanmuga Vadivel, Thuyen Ngo, Miguel Eckstein, B.S. Manjunath

Manj组今年唯一的CVPR论文了，用eye-tracking数据辅助其它（指除了saliency）computer vision task。这里做的是video里的objectness。

---- Salient Object Subitizing

数图像中显著物体的个数。优点是有的图像没有显著物体，而一般的Salient Object Detection方法仍然会检測出几个object。所以事前预计图像显著物体的数目能够作为一个有效的先验（比方没有显著物体的图像就不做检測了）。

模型放在caffe的model zoo里了。

---- SALICON: Saliency in Context

一个新库，拿MsCOCO标注的。

理由是eye-tracking data的採集须要专门设备，不便于众包。所以她们组用鼠标轨迹取代eye-tracking data採集了human gaze的数据，并且证明了这样的採集方法替代eye-tracking非常合理。并且她们开放了一个新的竞赛就叫SALICON。还有兴许的论文在ICCV2015上，以后专门讲ICCV15的论文时候再说。

附arxiv上最近放出的论文：

---- DeepSaliency：Multi-task deep neural network model for salient object detection

这里的multi-task是指semantic segmentation + salient object segmentation。不同于joint learning（如DeepID2和Fast RCNN），这里的两个task仅仅是共享了conv layers，输入的训练样本是不一样的。训练的时候两个任务迭代地更新网络的參数。

---- DeepFix：A Fully Convolutional Neural Network for predicting Human Eye Fixations

在MIT的saliency库上排在第二名。非常有意思的文章。考虑了Fixation Prediction的Center Bias问题（就是人眼显著性判决时会倾向于图像中心。FCN这类模型由于没有全连接层了，所以输出每一个像素的预測值是与位置无关的）。至于怎么解决的。请大家自行去看。

其它不好分类：

---- MatchNet Unifying Feature and Metric Learning for Patch-Based Matching，  Xufeng Han。 Thomas Leung， Yangqing Jia。 Rahul Sukthankar，Alexander C. Berg

wide-baseline matching。相比与arxiv14年的Descriptor Matching with Convolutional Neural Networks a Comparison to SIFT，这篇文章是监督的。上篇文章是无监督的。patch matching事实上和face verification、再辨识的关联挺大的。文中有说到測试的时候採用两步測试的方法：第一步是特征提取（过一个Tower即可）。第二步是matching（把两个Tower的特征比較起来），这样先把第一步做完。特征保存起来。做第二步就easy了。

联想道Valse上王晓刚老师将NIPS14那篇Joint identification and verification一文，王老师说verification那个网络的时候提到的缺点，不就能够用这个两步測试的方法来解决吗？

---- Domain-Size Pooling in Local Descriptors: DSP-SIFT ， Jingming Dong。Stefano Soatto

wide-baseline matching，相比前面的MatchNet，这篇文章是无监督的。

这篇文章Figure8解释了scale-space和size-space的概念。解释的非常好。可是DoG为什么归为size-space？我仍然认为DoG是属于scale-space的。

---- Deep Neural Networks are Easily Fooled    （深度学习对抗样本）

---- Age and Gender Classification using Convolutional Neural Networks

CNN做性别和年龄判决的。

年龄判决不是用回归。而是把年龄分组，然后用分类的方法做。有点简单。并且Age和Gender分了两个网络分别做，居然没有联合起来做。

还在看，慢慢整理吧。

另外这里有其它大神做的CVPR2015年的整理和总结：

CVPR 2015 之深度学习篇(3贴)：

http://deepnn.net/viewtopic.php?

f=6&t=31

http://deepnn.net/viewtopic.php?f=6&t=32

http://deepnn.net/viewtopic.php?f=6&t=38

武汉大学张觅博士生（原创）：CVPR 2015会议总结报告：

http://valseonline.org/thread-334-1-1.html

(知乎)CVPR 2015 有什么值得关注的亮点？

http://www.zhihu.com/question/31300014

Deep down the rabbit hole: CVPR 2015 and beyond:

http://www.computervisionblog.com/2015/06/deep-down-rabbit-hole-cvpr-2015-and.html

-------

jiang1st

http://jiangwh.weebly.com