代码学习discriminative patch（一）

 matlab code，对应论文：Unsupervised Discovery of Mid-Level Discriminative Patches Saurabh Singh, Abhinav Gupta, and Alexei A. Efros]

其中VisualEntityDetectors：是matlab中定义的类 

train for Discriminative patches for pascal 2007 subset

1. train：
   • getPascalData() 从voc2011 xml文件中获取图像annotation存入PASCAL_DATA.mat
   • warpCrossValClusteringUnsup(1, USR, true);第三个参数在real train中应该是false,supposed to run on a cluster with shared file system
     • getdataset() load PASCAL_DATA.mat
     • getTrainValSplitForCategory(data, category)根据类别划分出正样本和负样本(负样本不包含category给出的类别)
     • 
     • processCategory()
       • getParamsForCategory(category) 获取所有可能用到的参数
       • getTrainValSplitUnsupervised(posData, negData)把正负样本各分一半 D1D2 N1N2用作交叉验证
       • 
       • processImages()
         • getRandomPatchesFromPyramid( ) 371x1984  742x1984

           •  sampleRandomPatches() 371x1984  742x1984

             convertToCanonicalSize() 将load的图像大小标准化 

             getGradientImage()对标准化后的图像进行梯度计算

             constructFeaturePyramidForImg()计算19个不同scale下hog特征 保存在pyramid中 19cell

             unentanglePyramid()依次将每个scale下的fea转换为1984=8x8x31维特征 得到11220x1984

             通过去除重叠部分多 没有梯度信息的patch最后得到正负(5/10)样本图像的patch371x1984  742x1984

         • clusterPatches() 正样本聚类得到95clusters(381/4)
         • refineClustersOverlap( )对聚类中心进行筛选得到42 剩余有效patch 193
           • selectClustAboveThresh()聚类中心下的patch少于一定数目 去除该cluster 57clusters

           • 去除每个聚类中心下patch中重复度大的patch 然后判断是否仍有足够数量的patch 决定是否留该聚类中心 42clusters

         • doTheIterations() 依次对D1之前每个cluster进行svmtrain 然后用D2的数据进行svmpredict 计算D2数据集下的得到的cluster下的patch(有某些限制)  并依次交换D1D2数据集进行重复运算 最后得到42x1984的svmtrain model
           • iterateTraining() 

初次进行firstTrainDetectors() 如果存在直接load

constructVisDetFromModels(firstTrainDir, trainingData.selectedClusters, params, '_det');

hardNegMineTrainDetectors(instanceId, thisIterDir, hardNegOut,detectors, trainingData)

detectPresenceUsingDetectors(instanceId, thisIterDir, detectionOut,detectors, trainingData.selectedClusters)

getTopNDetsPerCluster(detectionResult, maxOverlap, trainingData.trainSetPos, numTopN)

prepareDetectedPatchClusters()

calculateClusterCenters()

Prepare the data for the next iterations

• • assimilateCrossValBatchResults()

detect discriminative patches

1. load model: 全部训练数据用上得到的模型svm训练的模型总积  5481clusters 1984dimension features
2.  load data and get data info: size
3. construct detection params: 初始化参数 
4. detector.detectPresenceUsingEntDet(): 用model对该图像中patch属于哪个clusters计算score
   displayPatchBox: 画出patch box 
   • constructFeaturePyramid() 19cell 不同尺度
   • getDetectionsForEntDets ()
     • unentanglePyramid() 13011x1984 hog特征
     • Mysvmpredicted()在5841x1984model上计算出每个patch在cluster的score  
     • SelectTopN()根据score判断对pathch的取舍