问题描述
||
关于MEAN SHIFT，OPTICAL FLOW，KALMAN FILTER，我需要3篇基础论文/最上面的树。
我在ieee xplore中进行了搜索，其中显示了许多相关论文。
任何想法？
提前致谢。
解决方法
您知道CiteSeerX吗？
对于“均值平移”，我得到了“均值平移”：一种针对特征空间分析的可靠方法，这是关于该主题的非常好的论文。
对于其他主题，我无能为力，但是您通常可以通过阅读论文和参考文献来找到好的论文。
,这些是旧的尚未解决的经典计算机视觉问题：
均值漂移
均值平移：一种进行特征空间分析的可靠方法（与bjoernz相同），但在实践中，我希望使用与Felzenszwalb等人完全不同的无监督分割工作。高效的基于图的细分（更快+更好）
光流
稀疏可靠的点：良好的跟踪功能很好地总结了所谓的KLT文献（对于Kanade-Lucas-Tomasi ...可怜的Jianbo Shi）。简而言之，例如，图像中的某些点（角）比统一区域中的其他点更易于跟踪。
每个像素的密度大：Horn-Schunk历史论文，但请查阅最近的Thomas Brox和Jitendra Malik的作品，还有Ce Ce Liu也会出版。
卡尔曼过滤器：《历史论文》，但我认为仍然引用不多，因为每个人似乎都参考了自己喜欢的教科书。
对于几乎所有这些不错的文章的有效实现：急救OpenCV！
注意事项：如今，在计算机视觉领域非常新潮的机器学习人员有时对功能一词感到困惑。确实，可以区分：
检测器：选择图像中的稀疏点（例如黑森州，哈里斯等角落）
描述符：描述这些点，并通过串联描述图像
功能空间：一种描述其内核SVM内容以供识别的好方法
例如，SIFT既是检测器又是描述符技术，尽管它被称为特征。