18-24期VALSE Webinar会后总结
安徽大学江波副教授2018年8月8日VALSE Webinar 成功举办。江波，安徽大学副教授，于2015年在安徽大学计算机科学与技术学院获得博士学位。主要研究方向包括图像的结构化描述与匹配，图匹配，基于图方法的数据表达与学习以及数据的稀疏表示与特征选择。近年来，在国内外核心刊物上共发表学术论文50余篇，其中以第一作者在计算机领域顶级学术会议和重要学术期刊上发表论文10余篇。代表性论文发表在国际会议CVPR, NIPS, IJCAI, AAAI, MICCAI以及国际期刊IEEE Transactions on Image Processing, IEEE Transactions on Cybernetics, Pattern Recognition。获得2017年度ACM合肥分会新星奖。担任国际期刊Pattern Recognition, Neurocomputing 及Pattern Recognition Letters等审稿人。主持国家自然科学基金项目、安徽省自然基金项目、安徽省高校自然科学基金以及中科院模式识别国家重点实验室开放课题基金等科研项目。
江波博士Webinar的题目为：Feature Matching via Sparse Relaxation Models.
在报告中，江波博士首先介绍了图像特征匹配问题的基本形式，以及在计算机视觉和模式识别领域中的应用和发展。然后，介绍了近几年来，在特征匹配算法研究中的一些进展，分析当前方法存在的一些优缺性，引出稀疏匹配模型的。稀疏约束可以看作离散约束的近似，稀疏解能够较好的保持原匹配问题的离散约束性质。江波博士针对稀疏约束匹配问题进行了一些探索，介绍三种不同的方法：1）局部稀疏约束模型的特征匹配技术，提出了一种基于L12稀疏范数约束的匹配松弛模型；2）离散约束保持的匹配模型，提出了通过L2范数保持匹配问题的离散约束条件；3）基于multiplicative update的匹配算法，提出了用multiplicative update求解匹配问题的一般算法。通过实验验证了所提匹配算法的稀疏性和有效性。
问答部分：
问题1：目前讲到的是2D图像内的匹配方法，在3D空间内对点云数据进行识别/匹配的方法有什么方法可以分享下吗？回答：我们介绍的方法一般是可以直接应用与3D空间内对点云数据的处理。然而，在处理3D点云的时候，因为涉及到特征数量较大，因此在匹配算法上，一般需要选择时间和空间复杂性较低的匹配算法。此外，除了我们今天介绍的特征匹配问题以外，还有一个匹配类型是加权图匹配（基于图的邻接矩阵）。这种方法也可以尝试解决3D点云匹配。
问题2：关于白天和夜间图像的配准问题？回答：白天和夜间的图像视觉外观特征上一般存在较大变化。因此，仅仅利用传统的特征描述子，往往不能获得较好的特征匹配结果。然后，如果图像间的特征提取较为准确的话，白天和夜间的图像的特征的空间几何往往具有一定的不变性。因此，可以利用特征之间pair-wise几何信息获得特征匹配。我们介绍的匹配的方法是可以实现这种问题的。
问题3：匹配问题与哈希编码的问题的关系，是否有与哈希编码结合的工作？回答：匹配问题和哈希编码问题的一个共同特点就是获得问题的二值解。这一点上，我觉得是可以互相借鉴的。另外，利用哈希编码作为图像特征的描述子，可以获得较为有效的候选匹配集，为进一步利用我们介绍的匹配算法提供良好的数据基础。
问题4：连续解和离散解到底哪种更好呢？还是说只是取决于优化算法？回答：对于匹配问题而言，我们自然希望是能够直接获得一个优化性质较好的离散解。然而从优化角度看这并不容易做到，因为对离散问题的优化一般比连续问题要复杂的多。所以，目前有很多研究还是集中在连续解的计算。个人觉得，对于优化问题，优化算法性能的好坏对最终解的有效性是至关重要的。
问题5：P范数的求解是如何解决的吗？文中P范数与1范数和2范数相比具备什么特点？回答：我们介绍的P范数，P的取值范围是。对于P范数的求解，有很多方法。我们利用的是multiplicative update的算法。具体的可以参考我们的论文(Jiang et al., PR2014)。P范数与1和2范数相比有以下特点：首先，从优化性角度看，我们知道2范数有全局最优解（限于匹配问题），但是解的稀疏性比较差; 而1范数解比较的优化性比较局部，但是具有较好的稀疏性质。所以，我们介绍的P范数，他能够在两个特性之间取一个平衡，也就是说，P范数既具有一定的优化性，有保持一定的稀疏性。
问题6：对于方法Binary constraint preserving matching（BPGM）模型中，为什么问题中的二值约束可以被2范数约束替代?回答：在双随机约束下，二值约束可以被2范数约束替代。这是我们BPGM工作的一个主要创新点。具体解释，参考论文中的定理1及其证明过程（Jiang et al., CVPR2017）。
问题7：图匹配和现有的人体姿态识别中的骨骼点匹配是不是同一个问题？回答：我觉得都是特征匹配问题。
问题8：相关性函数phi一般是怎么取的 不同的phi对结果有什么影响 此外，phi_a 和 phi_r是不同的吗？回答：类似于机器学习领域中的相似性计算方法，这里的相关性函数phi的计算一般可以采用一些核函数计算方法。不同的phi对结果是有影响的。最近的一些研究工作考虑利用learning 的方法去获得更好的phi。另外，phi_a 和 phi_r一般定义是不同的。
问题9：Multi graph matching 能否用老师的方法来做？回答：Multi graph matching问题的目标形式跟我们这里介绍的特征匹配是不一样的。因此，不能直接用我们介绍的方法来计算多图匹配问题。然而，我们认为可以考虑用我们介绍的稀疏约束来处理多图匹配问题解离散性约束。
问题10：图匹配，能跟graph partition 结合吗，最后类似于聚类的结果？回答： 是可以结合的。上海交通大学严骏驰老师，最近发表了一篇工作就是讲图匹配与图划分结合在一起的。可以参考他们的工作。另外，graph partition和图（特征）匹配问题有个共同的特点，就是目标函数的二次性和解的离散正交性。因此，图匹配算法（尤其是对其中离散正交约束的处理）是可以借鉴到图聚类问题中的。
录像视频在线观看地址：http://www.iqiyi.com/u/2289191062
PPT链接：http://vision.ouc.edu.cn/valse/slides/20180808/talks_valse%20-%20final.pdf
特别鸣谢本次Webinar主要组织者：VODB协调理事：贾伟（合肥工业大学）
活动参与方式：1、VALSE Webinar活动依托在线直播平台进行，活动时讲者会上传PPT或共享屏幕，听众可以看到Slides，听到讲者的语音，并通过聊天功能与讲者交互；2、为参加活动，请关注VALSE微信公众号：valse_wechat 或加入VALSE QQ群（目前A、B、C、D、E、F、G群已满，除讲者等嘉宾外，只能申请加入VALSE H群，群号：701662399）；*注：申请加入VALSE QQ群时需验证姓名、单位和身份，缺一不可。入群后，请实名，姓名身份单位。身份：学校及科研单位人员T；企业研发I；博士D；硕士M。3、在活动开始前5分钟左右，讲者会开启直播，听众点击直播链接即可参加活动，支持安装Windows系统的电脑、MAC电脑、手机等设备；4、活动过程中，请不要说无关话语，以免影响活动正常进行；5、活动过程中，如出现听不到或看不到视频等问题，建议退出再重新进入，一般都能解决问题；6、建议务必在速度较快的网络上参加活动，优先采用有线网络连接；7、VALSE微信公众号会在每周一推送上一周Webinar报告的总结及视频（经讲者允许后），每周四发布下一周Webinar报告的通知及直播链接。
页:
[1]