[论文笔记5]A Discriminatively Trained, Multiscale, Deformable Part Model

1.物体检测的模型组成：一个 global root filter 用来确定物体的位置(获取coarse features) 以及若干part model，包括spatial model 和 part filter(finer scale features)

2.特征：hog

一个block=2×2 cell = 4× 9（bins） = 36 D

所以一个filter的weight是：4×9×w*h

filter(w*h)在detect windows上的得分是filter与该特征在hog金字塔的subwindow(w*h)的点积

3.将model置于hog金字塔，假设每个part的hog cell 的size是root level 的一半

放置model的得分=每个filter的得分（数据相关项）+ 每个part相对于root（二次函数）的placement的得分（spatial term）

然而placement是指数级增长，2个技巧：动态规划，距离转换

4.latent svm

hinge: max(0,1-yi*fbeta(xi))

当yi=-1 损失函数是关于负样本的凸函数

将正样本的latent domain限制为单一的选择，那么关于正样本也是凸的

使用坐标下降法：step1，固定beta（模型参数），优化正样本的隐变量Zi。。。step2，固定{Zi}，优化beta，此时是凸优化问题

5.挖掘负样本

添加那些分错的，且靠近分割平面的负样本 hard instances,作者收集了所有的hard negatives