Revisi´
on de: SVM-KNN: Discriminative Nearest
Neighbor Classication for Visual Category
Recognition
2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition - Volume 2 (CVPR’06)
Jos´e Guillermo Moreno Franco
Agenda
1 Revisi´on del Art´ıculo
Agenda
1 Revisi´on del Art´ıculo
Introduction SVM-KNN
Shape and texture distances
Performance on benchmark data sets Conclusion
Revisi´on del Art´ıculo
SVM-KNN
A naive version of the SVM-KNN is: for a query,
Compute distances of the query to all training examples and pick the nearest K neighbors;
If the K neighbors have all the same labels, the query is labeled and exit; else, compute the pairwise distances between the K neighbors;
The steps of the SVM-KNN are: for a query
Find a collection of Ksl neighbors using a crude distance function (e.g. L2);
Compute the accurate distance function (e.g. tangent
distance) on the Ksl samples and pick the K nearest neighbors; Compute (or read from cache if possible) the pairwise accurate distance of the union of the K neighbors and the query; Convert the pairwise distance matrix into a kernel matrix using the kernel trick;
Shape and texture distances
X2 distance for texture
Marginal distance for texture Tangent distance
Shape context based distance Geometric blur based distance Kernelizing the distance
Performance on benchmark data sets
MNIST USPS CUReT Caltech101
Conclusion
Agenda
1 Revisi´on del Art´ıculo
2 Evaluaci´on
Criterios Generales Marco Te´orico
Metodolog´ıa o Soluci´on Propuesta Resultados
Criterios Generales
Hasta que grado el art´ıculo hace una contribuci´on original? Utiliza 2 t´ecnicas conocidas y comenta que su trabajo es similar a local learning por Bottou y Vapnik [6]. Sin embargo, el trabajo se considera original por la generalizaci´on de la funci´on de distancia.
Marco Te´
orico
Es este marco v´alido?
Metodolog´ıa o Soluci´
on Propuesta
Es la metodolog´ıa explicada claramente?
La elecci´on de la implementaci´on de SVM se menciona una soluci´on (DAGSVM) pero no es argumentada claramente. Es el estudio suficientemente comprensivo y preciso?
La idea general es clara, pero no son claros algunos detalles. Se omiti´o algo importante en la investigaci´on?
Resultados
Se ven los resultados consistentes?
En Caltech-101 se utiliza una k=300 muy superior a los rangos definidos anteriormente y no se comenta de su costo computacional.
Toma el autor(es) en cuenta todos los datos o ignora algunos que podr´ıan ser importantes?
El c´alculo de la K es seg´un el mejor resultado, eval´uan
An´
alisis y Conclusiones
La l´ogica del punto de vista presentado
Es v´alida. Al unir SVM y K-NN se extraen las mejores caracter´ısticas de cada una.
La validez de la evidencia presentada
Como en casi todos los casos, ser´ıa necesaria la
implementaci´on de lo propuesto para ratificar los resultados. La validez de las conclusiones
Presentaci´
on y Forma
Est´a el art´ıculo bien organizado?
La organizaci´on es correcta seg´un la exposici´on de las ideas. Tiene errores tipogr´aficos, ortogr´aficos o gramaticales? No encontrados.
Son las figuras claras y tienen las etiquetas apropiadas? La figura 5 contiene mucha informaci´on y no es clara. Est´an las tablas bien organizadas y son f´aciles de leer? Si