Scene object recognition for mobile robots through Semantic Knowledge and Probabilistic Graphical Models

这篇文章是针对于上一篇文章Exploiting semantic knowledge for robot object recognition的扩展以及更加具体的实现

主要是针对概率图模型在融合contextual relations时出现的几点问题来做改善与研究，系统需要处理大量的如下问题：

1）possible object classes 2）objects in the scene  3）feature used to describe the objects and their context

在处理这些问题时，推理过程的计算消耗是十分巨大的。因此，使用PGM里面两种经典的近似方法ICM和Graph Cuts可以减少计算复杂性

本文主要贡献：

1）测试了PGM-SK框架在两个数据集上的效果NYU2以及UMA-offices

2）精确推理的可行性分析。由于NYU2上的类别数更多，使用exact inference会带来更大的计算量

3）两种近似推理方法的研究，即ICM和Graph Cuts

作者提到，虽然文章中处理物体识别的问题是针对于点云的，但是整个系统框架同样适用于RGB images。

整体框架：

核心在于灰色部分构成的semantic knowledge.

1)本体来源有很多，这里主要是通过专家启发的方式来定义

2)假设生成。

　　通过feature extraction以及来自于ontology的object class构成unary features、最后通过logical reasoner来推理出一系列的类，进而削减了要处理的类别数。比如，检测到一块区域x，得到了其垂直距离，朝向，区域大小等信息，就可以使用逻辑推理器来推理出x所可能属于的几类，这样就将标签数缩减了。
3）Frequency of occurrence as prior
　　unary factors U(·)在CRF中给出了一个确定的类x的兼容性。pairwise factors则制定了基于上下文的特征。这一步骤中，作者提出将物体出现频率作为额外的先验信息输入至条件随机场中，帮助改善识别效果。最后重新构造了unary 函数。

实验评价：

主要是针对是三个方面来进行实验：

1）上下文信息存在与否

2）假设的生成与否

3）先验知识的存在与否