Chris Bishop’s Turing Lecture 2010

Post này bắt nguồn từ việc đọc bài ML for Dummies trên Technet, nhưng đọc một hồi thấy nó quá nhảm. Lâu rồi cũng không thêm được bài nào trong Machine Learning, thôi thì đăng lại bài Turing Lecture năm 2010 của Christopher Bishop. Xem video ở đây, tiếc là hình như video bị lỗi nên chỉ xem được slide.

Đọc blog Microsoft Research (MSR) không biết thế nào lại link đến trang này. Trong đó có một demo thú vị về Background Removal trong Office 2010. Cài Office 2010 vài tháng rồi nhưng đúng là không để ý đến cái này, quả thật thuật toán hoạt động rất tốt. Đọc thêm một hồi thì phát hiện là các bạn ở MSR đã áp dụng Markov Random Field (MRF) vào ứng dụng này. Lại gặp người quen mà. Sẽ viết về MRF khi nào rảnh.

Và cái cuối cùng, cho đủ một entry toàn hương vị Microsoft, là về Infer.NET – engine machine learning viết bằng .NET. Tiếc là site của MSR đang down nên không xem cụ thể được. Sẽ quay lại sau.

Advertisements

12 comments

  1. Hi em, em co the giai thich giup chi mot vai y basic duoc khong? Chi doc ma van con ko hieu thau dao duoc y nghia cua no, no cu nhap nhang trong dau chi. Chi dang doc ve Active shape model va active contour model.

    Em biet deformable models (flexible models) de interpret image containing structures of variable form?

    Chi chua hieu muc dich chinh cua active shape model la gi? Align training shape de lam gi? Chi doc mot so cho no can minimizes nang luong, em biet tai sao no lai can cuc tieu hoa energy khong?

    Em biet cum tu Nonspecific class deformation va cum tu Local shape constraints
    la no dang am chi cai gi khong? Constraints o day la gi? Chi dich tieng Anh thi hieu nhung ko hieu tai sao lai nhu vay. (contraints can be applied to ensure that they remain smooth and to limit the degree to which they can be bent)

    Em giup chi voi. Cam on em.

  2. Hi chị,
    Các mô hình này đều dùng để khớp một mô hình (model) lên một vật thể cụ thể nào đó trên ảnh. Ở đây là khớp vào đường biên (contour, shape) của đối tượng trên ảnh. Cái mô hình được biểu diễn bằng 1 tập điểm, do trong quá trình hoạt động các điểm này được thay đổi liên tục để khớp vào đường biên nên mới gọi là “active”. Như vậy để có thể khớp mô hình vào object trên ảnh thì người ta chuyển thành bài toán tối ưu, khi đó đương nhiên phải nghĩ ra một hàm năng lượng, và cách khớp tốt nhất sẽ đạt được thông qua việc cực tiểu hóa giá trị hàm năng lượng đó.

    Mục đích chính của nó là xác định biên của các object trên ảnh. Chẳng hạn trong 1 ảnh chụp mâm ngũ quả thì có thể xác định biên của xoài, dừa v.v… Như vậy có thể phục vụ cho các bài toán trong CV như image segmentation, image understanding…

    Còn các cụm từ cụ thể thì chắc phải hiểu theo ngữ cảnh. E phải biết chị đang đọc trong paper nào thì mới nói dc 😀

  3. Hi em, chi dang doc tai lieu nay ne, help chi voi ko chi die mat
    http://www.isbe.man.ac.uk/~bim/Papers/cootes_cviu95.pdf
    Chi khong hieu giai thuat o alignment the training set:

    We use the following algorithm to align a set of N shapes
    – Rotate, scale, and translate each shape to align with the first shape in the training set
    – Repeat: Calculate the mean shape from the aligned shape
    Normalize the orientation, scale and origin of the current mean to the suitable defaults
    Realign every shape with the current mean
    Until the process converges

    Chi ko hieu normalize va realign cu the la gi ca, no cu chung chung sao ay, ko hieu no dang lam gi.

  4. Cai ma chi hoi em o section 3.2 day.
    Ma aligning the training set la no dang lam gi em? No align ca tap training set luon ah? Tai sao no phai lam nhu vay? Tai sao khong align mot cai thoi?

  5. Em hieu hinh so 5, hinh so 6 va hinh so 17 khong em? Chi ko hieu thau dao may cai hinh do. Em hieu ko, giai thich giup chi voi.

  6. Hi chị,
    Tại sao phải align? Cái này viết rõ trong phần đầu section 3.2. Tập training chẳng qua là 1 tập các shape (mỗi shape là 1 tập các điểm). Tập này sẽ dùng để match với những shape mới (hoặc để optimize trên dữ liệu test). Muốn như vậy thì các shape trong tập training phải được align. Toàn bộ tập training sẽ được align hết. Em không biết mỗi shape nó được đặc trưng bởi những parameter nào nên không rõ cách align của nó, nhưng ý tưởng chính cũng giống như ta có 1 tập đoạn thẳng trên trục số (chẳng hạn [0, 2], [4, 12], [6, 11]). Những đoạn này bắt đầu ở vị trí khác nhau. Align các đoạn thẳng này nghĩa là chuyển về cùng một vị trí bắt đầu. Chẳng hạn nếu align về 0 thì sẽ là [0, 2], [0, 8], [0, 5].
    Mỗi shape là một đa giác trên mặt phẳng 2 chiều nên có thể hiểu việc align là thay đổi góc quay (rotate), tỉ lệ (scale) và tọa độ (translate) để tất cả các shape trong tập training được đưa về cùng một “gốc” nào đó.

    Normalize đại khái là chuẩn hóa về hướng, scale và gốc tọa độ nào đó (theo giá trị default). Chị tìm đọc thêm xem nó có nói các giá trị mặc định bằng bao nhiêu không.
    Việc normalize chỉ thực hiện với shape “trung bình” (gọi là mean shape). Trong thuật toán không nói tính mean shape thế nào, nếu như trong paper cũng ko nói thì chị có thể hiểu mean shape là trung bình cộng của tất cả các shape trong tập training. Sau khi tính mean shape và normalize cái mean shape này thì bước tiếp theo là align tất cả các shape trong tập training theo mean shape (align giống như bước ở trên). Thuật toán lặp lai cho đến khi nào mean shape không đổi.
    Còn mấy cái hình thì em chưa xem kĩ được, chị đọc thêm xem nó giải thích thế nào.

  7. Hi em,
    Em hieu cau nay khong em?
    Contraints on the pose and scale of the mean allow the equations to have a unique solution.

    2) Em biet normalize the current mean shape and then aligning the shapes to match is not the same as normalizing each individual shape.

    Thank em.

  8. Hi chị,
    Câu 1 ý nói các ràng buộc trên vị trí và tỉ lệ của mean shape giúp cho các phương trình có lời giải duy nhất. Ràng buộc gì và phương trình nào thì phải tùy vào ngữ cảnh của câu.
    Câu 2 nói rằng việc chuẩn hóa mean shape rồi sau đó align các shape còn lại theo mean shape đã chuẩn hóa thì khác hẳn với việc chuẩn hóa từng shape một.
    Tại vì nếu chuẩn hóa từng shape một thì không chắc là sau khi chuẩn hóa các shape đó là aligned.

  9. Hi em, em hieu 2 cau nay khong
    Using all posible transformation to make two shapes identical.
    We first consider aligning two pair of shapes.

    Shape o day la mot shape trong tap training voi mot shape trong image, hay la hai shape trong cung mot tap training set vay em. No noi ko ro rang.

  10. Hi em, neu giai thuat nay duoc dung trong search anh, thi model (dung trong giai thuat de match voi example trong image ay) thi model o day la mean shape hay la no co the la cac shape khac trong training set vay em.

  11. Hi em,
    chi doc doan nay
    7. We use landmark point to capture shape constraints and build models which maybe used to construct plausible new examples of the shape for use in image interpretation.

    Theo chi hieu thi cac example trong mot tap training shape la khong co so luong co dinh, minh co the extend them so luong cac example cua tap training shape bang cach su dung cac landmark point dung khong em?

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s