Graph cut based inference with co-occurrence statistics
Ladicky, Lubor (Oxford Brookes, United Kingdom); Russell, Chris; Kohli, Pushmeet; Torr, Philip H. S. Source: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), v 6315 LNCS, n PART 5, p 239-253, 2010, Computer Vision, ECCV 2010 - 11th European Conference on Computer Vision, Proceedings

11th ECCV Best paper

本人对该文的概括：文章提出了一种称之为object co-occurrence的high-level统计项，用以表征对象之间的关系（inter-obcject）。以该项建立代价函数，集成在AHRF模型（一种CRF）,以指导分类分割。

low-level:像素级特征，代表是texton-layout

mid-level:超像素superpixel

假设：狼和羊不会在一起，如果他们同时出现在一张图像中，极有可能是图像分类错了；同样汽车的周围不应该是水，如果这样，那么极有可能图像分类错误。那么如何表征这种语义信息，并用于指导图像的分割分类呢？文章提出了一种Co-occurrence Statistics

1、Co-occurence statistics应该满足的特性

a、必须是定义在X的标记L(x)上的函数，故

b、K(X)应该是随L单调递增的，即

代价C(L)将在训练集中创建,具有形式：，其中是co项在CRF中所占的权值，M是训练集图像张数，，而表示训练图像m的真实标记。

该代价函数简化为：

2、代价函数

,其中，于是推断问题便归结为求最小代价的问题：

求解该问题，用到了和 move算法

3、模型

采用的是（AHRF）模型，将在下一博文中介绍

4、实验效果：不采用Co与采用Co项的对比