一直在关注Action Classification，VOC2010结果发布之后，大体看了一下，基本上就那些图像特征的使用（dense SIFT+Spatial Pyramid），然后就是乱七八糟的融合了，归结都低就是Multiple Kernel Learning以及一些近似的算法。 下面看看VOC2010关于ActionClassification部分的结果： Average Precision (AP %) phoning playing instrument reading riding bike riding horse running taking photo using computer walking BONN_ACTION 47.5 51.1 31.9 64.5 69.1 78.5 32.4 53.9 61.1 CVC_BASE 56.2 56.5 34....

最近自己混淆了好多概念，一边弄明白的同时，也做了一些记录，分享一下。最近又发现了一个好同学的博客，很详细的讲了SIFT 想要得知图像中哪些是有意义的，必须先要明确这样一个问题：在一幅图像中，只有在一定的尺度范围内，一个物体才有意义。举一个例子，树枝这个概念，只有在几厘米到几米的距离去观察它，才能感知到它的确是树枝；如果在微米级或者千米级去观察，就不能感知到树枝这个概念了，这样的话可以感知到的是细胞或者是森林的概念。 因而，如果想要描述现实世界的结构，或者将三维物体映射到二维的图...

Sift是David Lowe于1999年提出的局部特征描述子，并于2004年进行了更深入的发展和完善。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。在Mikolajczyk对包括Sift算子在内的十种局部描述子所做的不变性对比实验中，Sift及其扩展算法已被证实在同类描述子中具有最强的健壮性。 总体来说，Sift算子具有以下特性： （1）Sift特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定...

SIFT: Scale Invariant Feature Transform by Utkarsh in Computer Vision,Featured Matching features across different images in a common problem in computer vision. When all images are similar in nature (same scale, orientation, etc) simple corner detectors can work. But when you have images of different scales and rotations, you need to use the Scale Invariant Feature Transform. Why care about SIFT SIFT isn’t just scale invariant. You can change the following, and still...