推公式推公式

February 28, 2009

两个感觉:1,推公式很数学很逻辑,深感内力之薄弱。

          2,原来将浅显易懂的变换推导转换成严格的数学公式就成paper上那些可以唬人的数字符号了,有趣。。。

另外,终于可以理解爱因斯坦大叔为什么一辈子在追求大统一理论。因为做模型的做理论的做计算的人总希望自己折腾出来的那套土炮能解决尽可能多的问题,无所不包最好。。。。。

这最后关头也就只能死马当活马医了。

纠结于Benchmark之中,CV界怎么老爱摆些Benchmark出来,人脸,图象分割,场景分类。。。。Benchmark特土鳖,跟中国应试教育有得一拼:很多人学习就为了一个分数,同理,很多paper就打了堆补丁,就为了把benchmark提升了X.X%。这有意思么?

Benchmark的存在简直就是在CV界为自己化地为牢。经常看到的CV paper是这样的:XX模型,XX理论(从纯数学,统计物理学科借过来)很牛X,然后拿过来解决了些图象分割,场景分类等经典问题。

个人以为,寻找新的问题,新的应用,才是工程化CV发展的王道。

blowin’ in the wind

February 20, 2009

How many roads must a man walk down
Before you call him a man?
The answer, my friend, is blowin’ in the wind,

The answer is blowin’ in the wind.
要坚信越挫折越光芒。给逆流中的自己。

同时,转Xiaodi师兄和Deli师兄的两段话。这段时间一直在领悟这两段话,受益匪浅,暗暗感觉到这里面的核心思想也许会对我以后几年的学习和研究工作产生重大影响。

Xiaodi:

如果我们回顾一下
近百年科学发展中那些“被人记住”的计算模型。也许你会发现不少东西我们都可以拿“XX用XX方法解决了XX问题”这样的句子概括。但是这与我上面说的观
点不矛盾——因为这些总结都是后验的,你问问发明人本身,几乎没有人能在开始就预见出这样的结果。换句话说,他们的理论之所以令人震惊,最主要的原因是这
些理论在当时的体系下,是反直觉的(counter-intuitive)。如果黑白电视的理论已经成熟,你造出一个彩色的,那我要赞你是个成功的工程
师,但并不代表任何科学上的价值。但是,当你发现行星普遍存在红移现象而无法通过当时的理论解释,一个反传统反直觉的大爆炸模型就可以依据现象逐步建立起
来。
这类问题在视觉研究上也不乏例子。比如Hubel&Wiesel之前,大家都以为只要有光,视神经就一定会有响应。但是,只有当他们的实验现象显著地不符合预测时,他们的脑子才开始做了那些能真正推动人类科学进步的思考。

把计算当成一门实验科学,我们也完全处在一个“寻找反直觉、反现行框架的现象”的过程中。

Deli:
“这里需要澄清,三流工作也经常能在一流会议上见到,反之亦然。”

这个道理很明显,但是绝大多数的人都是在“混淆自己”当中。思维和认识是一种具
有先天属性和后天刻意的惯性,要突破思维对自己闭固,就要不断地对自己革命,这就需要智慧和勇气,缺一不可。道人修仙,佛子参禅,就是突破后天积累形成的
我执的惯性,悟入先天,从而进入仙世禅界。说白了和这件事是一个道理。但是生活中能战胜自己的人毕竟是极少数,所以科研领域能真正推动发展的也是极少数,
所有领域都是一样的现象。归根到底,还是精神层面的事情,其它都是表象。无明缘行,以此。

冰山一角

February 17, 2009

冰山一角的战场上,越来越感觉自己的渺小。渐渐可以理解为什么脑力工作者们能这样呕心沥血地熬夜死磕,每天只睡3,4个小时,原因很简单,不这样搏命是做不出有“价值”的东西来的。

科研就是一个没有牺牲却有失败的战场,既然选择站在了这样一个弱肉强食的战场上,拼命是很自然的事情。

回头再来看看大学里的环境,学生每天八点上课,五点下课,11点熄灯睡觉,或者说九点到实验室,下午六点离开,其他时间都在做与科研无关的事情,撇开硬件条件先天智慧不说,光这样的生活方式就让人感觉失败是必然。

最近见到图书馆里又是人手一本红宝书的形式,不免感叹。你们知道选择出国读PHD的目的么?你们热爱科研工作么?你们能熬么???不行趁早转弯,别赔上了自己一辈子的生活。

搏命吧,泡泡。

喘口气。。。

February 16, 2009

too fast to live,too young to die

赞Finland的ICA

February 2, 2009

芬兰人搞ICA真有一套啊~跟hyvarinen做的东西找到知音了一样。
 
再想起北欧的黑金属,让人全身兴奋,以后卖身去Finland怎么样:—)

border ownership!!!

February 1, 2009

谢朋哥的paper! 原来我一直少考虑了这个关键因素。差点陷在machine learning的圈子里没爬出来,神经啊神经,怎么能忘掉神经证据呢:((
 
mid-level vision的两个核心问题是:surface perception和border ownership
再往上形成object都得靠这两者的配合了。
关于border ownership, Anat Levin和ce liu的两篇NIPS,以前看完竟然没长记性,罪过,现在回想起来都是很好的文章,在尝试解决这个关键问题。
 
回到正在做的问题,做好自然图像分割,需同时将这两个因素用上。聚来聚去KNN,原来一直掉了border ownership这个因素,我又弱了。。。。