(论文分析) Object Detection -- Sketch Tokens: A Learned Mid-level Representation for Contour and Object Detection

Sketch Tokens: A Learned Mid-level Representation for Contour and Object Detection

作者从人工绘制的边界图中提取关键信息，如straight line, junction, curves and parallel lines（见下图）

作者将这些关键边界信息称之为sketch tokens，作者认为我们可以使用这些tokens来完成所有边界图的绘制。

接下来，作者分析图像的边界信息是否可以由这些tokens来进行描述，如何来做呢？采用分类器，从而给出

每一点属于某个token的概率。接下来我们详细分析，如何提取tokens，以及如何使用属于某个token的概率

作为特征进行目标检测。

定义sketch token 类别

我们的目的就是要定义一系列token类别，使其能够代表在一副图像中存在的任意局部边界结构，其中包括straight lines, t-junctions, y-junctions,curves and parallel lines.

现假设我们有一系列图像以及其对应的手绘边界（人工绘制的边界信息）。我们依靠聚类从二值图 (论文分析) Object Detection -- Sketch Tokens: A Learned Mid-level Representation for Contour and Object Detection 中抽取的patches 来获得sketch token classes。从二值图抽取的patch 有一个固定的大小。除此之外，仅有那些在中心像素上含有边界的patchs被使用。接下来，必然是得到关于patch的特征描述，作者使用Daisy descriptors(在二值图上提取)，然后使用k-means进行聚类，从而得到sketch token classes。

有了sketch token classes后，我们还需要做什么呢？不可否认，我们需要判断一副图像中每一点是否属于某个sketch token，如果属于某个token class，我们就可以认为这个点是边界点。

在自然图像上抽取patch的特征

作者使用分类器的思想来判断每个点是否应该是边界点。既然采用分类器，则必然涉及到特征提取。现在再次巩固一下概念，我们认为所有属于某个sketch token的patch是正样本，其余的是负样本，对于每个正样本patch在自然图像上提取特征，从而我们能够获得K 个分类器，每个分类器判断是否当前点属于这个分类器的sketch token。

在patch 上的特征提取方式见论文。

Contour detection

现在我们已经有K个分类器，用于判断每个像素点是否属于某个sketch token。如果 (论文分析) Object Detection -- Sketch Tokens: A Learned Mid-level Representation for Contour and Object Detection 是patch属于token 概率。并且是属于"no contour" 类别的概率，从而某个patch 的中心点处含有一个 contour 的概率是：