知识点

• 对数正态分布（lognormally distributed）：对数为正态分布的任意随机变量的概率分布。
  • 如果 X 是正态分布的随机变量，则 exp(X)为对数正态分布.
  • 如果 Y 是对数正态分布，则 ln(Y) 为正态分布。
  • 如果一个变量可以看作是许多很小独立因子的乘积，则这个变量可以看作是对数正态分布。
  • 对数正态分布的概率密度函数为：

• 对数平均：对数平均与几何平均相等，并且比算数平均，对于对数正态分布数据的典型值更具代表性
  • 二个数字的对数平均小于其算术平均，大于几何平均，若二个数字相等，对数平均会等于算数平均及几何平均。

• Histogram of Oriented Gradients for Objection Detection.(HOG)步骤：
  • Sampling positive images
  • Sampling negative images
  • Training a Linear SVM
  • Performing hard-negative mining
  • Re-training your Linear SVM using the hard-negative samples
  • Evaluating your classifier on your test dataset, utilizing non-maximum suppression to ignore redundant, overlapping bounding boxes
• NMS:Non-maximum Suppression(非极大值抑制):可看成一种局部极大值搜索，这里的局部极大值要比他的邻域值都要大。这里的邻域表示有两个参数：维度和n-邻域。
• LBP: Local Binary Patterns

知识点

• k折交叉验证
• Non-Maximum Suppression：非极大值抑制算法，非极大值抑制（NMS）可以看做是抑制不是极大值的元素，搜索局部的极大值的搜索问题，NMS是许多计算机视觉算法的部分。
  • 这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。
  • 在行人检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要用到NMS来选取那些邻域里分数最高（是行人的概率最大），并且抑制那些分数低的窗口。

Abstract

• 引进了一个新的数据集——Caltech。
• 提出了了个更高的评估标准。
• 证明了平常用的逐个窗口检测的方法是有瑕疵的，在完整的图片上会预测失败。
• 衡量了现有的检测系统。
• 分析了一般的常见失败情况。