2013年1月2日

浅薄

前几天看《Mastering OpenCV with Practical Computer Vision Projects》中间提到PCA(主成份分析),好熟悉的名词,各种场合听到过,什么主要用来高维数据降维,可是基于什么原理实现的,自己从来没有研究过,于是就找了书看看了,原来核心就是就矩阵的特征值和特征向量,取几个较大的特征值对应的特征向量作为新的坐标轴,进行变换获得新的坐标变换下主成份量。记得当年《线性代数》有计算特征值特征向量计算的问题,当时只是照着例题做题,原来这东西还真的有用啊。

后来写个程序求一个二值图像中轮廓序列的主轴方向,好吧最简单的方法是调用OpenCV中的椭圆拟合获取获取椭圆的长轴方向作为主轴,至于椭圆拟合的原理好像也不知道,这种方法合不合时也不知道,我所有知道的只有这个fitEllipse函数。然后隐约想到那本复印的《Robot Vision》书中提到过求二值区域的主轴的方法,其实当时听说这本书很好后,买不到、下不到,费了好大的麻烦从北航图书馆借了复印了,可是弄到后也就看了前面的三章,好吧,然后我把书找出来看了看,原来又是矩阵特征值的问题,和PCA求的一样,原来轮廓主轴和把轮廓序列看作二维点集求其PCA主轴一样,同时也可以通过轮廓的几个中心矩组合来求解,当然矩可以通过OpenCV求解。到此好像许多东西都联系起来的,感觉理解后原来学术这么奇妙,只是好久没这种感觉了。

有时在论坛里看到有人问一些问题,如果自己了解问题后面的理论背景,就会觉得这帮人真是可怜,不知所以然,只知道用现成的工具,有问题就傻了。其实想想自己大多的情况下何尝不是这样,好多东西的理论都不了解,只是肤浅的模仿、调用,不知道其实现原理更谈不上自己实现了。

记得有大牛说过如果不考虑鲁棒性问题的话那么计算机视觉的几乎所有问题都已经解决了,听着感觉好霸气,不过也指出了搞视觉人心中永远的痛,鲁棒性(Robustness)问题。许多时候理想光照、理想模型下开发的算法很难经受实际情况的残酷考验,说到底还是算法有问题,同时往往提高鲁棒性比提出理想情况下的算法难得多。归根到底还是自己水平有限,解决问题的思路不足,才只能在相对理想的约束条件下“解决”问题。

怎么会变成这样,自己变得这么肤浅?肤浅源于浮躁,许多学科基础太差,文献文章很多时候只是提供一个思路,详细的理论与实现往往存在于好多厚厚的书本里面,而自己很少认认真真的研究这些书,也就同自己可怜的论坛的那些人一样,知道大概这样可以做,然后找工具找函数库很多时候可以实现功能,但是总觉得少了些什么。当然对于不是自己主要研究的内容这种模式挺好,不需要知道细节,能解决即可,但是对于自己主要研究的内容停留在这样的水平实在很危险。这也是自己常常觉得无助感的来源,看了一个文献,有些细节不懂,然后需要阅读补充的内容,补充的内容又需要另外的内容,这些内容好像学过但忘了,复习这些内容好像还要些时间,就这样没有几层的递归就让自己觉得自己很无助,怎么自己什么都不不知道,自己的知识体系这么脆弱,自己所做的也不过是浮云上筑高台。

这种状态本科的后期有萌芽,但是当时不怎么搞科研,主要搞也是画画图什么的,不是很严重。到了研究生后,为了适应研究方向的转变,选了好多的课,原来错误的给予了这些课太多的期望,自己不认真的学,上课这段时间真的帮不了多少的忙。之后没课了,除了大多时间点网页,偶尔“搞科研”的时候也是点到为止。买了、借了一堆的书没有几本看完的,更谈不上精通的了。看书方面还是动机性不强,同样上《数据结构》课时似懂非懂,毫不在乎,得过且过,可是最终写作业时开始觉得还早不急,但是要交作业的前几天开始忙起来写了,查资料、看书,好多上课不懂的很短时间里懂了。或许很多时候就缺少这样强烈的动机性、缺少一种破釜沉舟的勇气把一本书看完,把一件事做好。

怎么说呢,新年了吗,农历也将是本命年,不应该这样了。

Posted in , , . Bookmark the permalink. RSS feed for this post.

Done is better than perfect!