标签：blog 实用 论文 接收 gen sed 位置 alt 推断
本篇文章调研一些感兴趣的AAAI 2016 papers。科研要多读paper！！！
这篇paper研究从科技论文中生成海报的问题。这是一个很新颖实用的问题。paper中给出了一个Poster-Paper数据集。
为了达到目标，一个利用概率图模型的数据驱动框架被提出。
特别地，给定要显示的内容，一个好的poster的关键元素（包括每个板块的布局和每个板块的属性）被从数据中学习推断得到。每个板块内的图形元素构成被合成。
内容抽取和布局生成是生成一个令人满意的海报的两个关键元素。对于内容抽取，文中使用TextRank (Mihalcea and Tarau 2004)去抽取文字内容，然后作者提供了一个用户接口去抽取图形元素。
paper提出的方法主要针对于布局生成。文中通过三个步骤实现这一目的。首先，作者提出一个简单的概率图模型推断模块属性；然后，一个树形结构被引进用于表达模块布局，基于树形结构，作者进一步设计了一种递归算法生成模块布局。第三步，为了合成每个模块内部的布局，作者训练另一个概率图模型去推断图形元素的属性。
这篇paper提出一个新颖的自动化妆检测和移除框架。
化妆检测子：一个局部约束的低阶字典学习算法被用于决定和定位化妆位置。
卸妆：一个局部约束的耦合质点学习框架(locality-constrained coupled dictionary learning, LC-CDL)被用于合成无妆的人脸，所以化妆能够根据类型被拆除。
文中公布了一个逐步化妆的数据集(stepwise makeup dataset, SMU)，提供了化妆过程，每张图片在人脸的子区域中标记了化妆状态信息。
文中对化妆有三个观测：
目前的哈希方法大多只关注相似性保留和编码误差最小化，很少最优化precision-recall曲线，或者接收端操作特性曲线？
这篇paper提出了一种基于projection的哈希方法，最大化precision和recall。
首先构建一族候选的基于投影的哈希函数，产生有效哈希码。这些哈希函数通过无关成分分析（Uncorrelated Component Analysis, UCA)产生。然后从这些哈希函数中，我们找出哪个最大化precision和recall性能。然后考虑一种特殊情况，数据正态分布，可以找出基于UCA的哈希函数的子集，最大化true positive rates的和。
满足这两个条件的RR部分与W无关-->
condition 1可以通过减中位数实现，condition 2通过relax为无关性约束实现：
Q和D可以有无穷多的取值，从中选取能够最大化目标函数Eq. (10)的：
可以证明Eq. (10)不依赖D的取值，因此
选择Q的过程中考虑数据呈高斯分布
可以推导得到
数学推导很精妙！
标签：blog 实用 论文 接收 gen sed 位置 alt 推断
原文地址：http://www.cnblogs.com/wm123/p/6399348.html
