本文共 762 字，大约阅读时间需要 2 分钟。

这周的主要工作是优化代码并对论文的实验进行调试。论文自带的代码已经能够在固定训练集和测试集下完成基本实验，但由于图片名字写死了，无法支持更换数据集进行独立实验。经过调试发现，未经优化的傅里叶变换方法预测结果差强人意，主要问题是傅里叶变换未能正确嵌入在循环中。经过修正后，傅里叶变换的效果相比之前几乎可以视为没有改变，实验结果仍然存在较大的误差。

为了确保代码的易于维护和扩展性，我放弃了直接使用matlab自带的函数，转而采用别人实现的局部感似度计算（LBP）代码，并进行微调。这种方式能够有效实现u2、ri、riu2等多种特征提取方法，并支持多种归一化方式，如L2范数归一化、L1范数归一化以及不归一化。我还通过对图片进行分块处理，初步实现了领域尺度化（Cellsize）的功能。

在对比试验中发现，基于Gabbor滤波器的特征提取方法在某些场景下表现优于传统的傅里叶变换。因此，我计划在后续工作中进一步探索Gabbor滤波器的应用效果。

参考了另一篇关于多尺度局部二元模式（Local Binary Patterns，LBP）的论文，发现该作者在提取LBP特征后，还对特征图像进行了一些统计量分析，如熵、均值、峰度和偏度等。这一方法值得我在后续研究中进行探索和实现。

最后，本周通过阅读和实践了解了VLFeat库的基本用法。这一工具箱能够高效实现许多计算机视觉算法，在论文中提到的高斯混合模型检测任务中尤为重要。通过接触VLFeat，我对工具的选择和使用有了更深入的理解，为后续工作积累了宝贵经验。

这周的工作充分显示了技术研究的艰难之处。论文写作对创新点的不断挖掘提出了很高的要求，尤其是在算法研究阶段，对数学和技术细节的把握至关重要。面对论文写作的压力，也多次陷入写作停滞，回头寻找新的研究方向确实是一种辛苦的体验。

转载地址：http://igsrz.baihongyu.com/