諾比讀paper: Visualizing Brand Associations from Web Community Photos

brand association:品牌聯想，指消費者看到該品牌的聯想，使用經驗，好惡感。如下圖(一)

圖一

傳統上，使用使用者的文字資訊，在這篇paper，我們試著利用網路蒐集的大規模圖片來達成這個任務。
大體來說，有兩個主要的任務
1. 偵測並且展示視覺的品牌聯想
2. 偵測影像中品牌的位置

experiment: 4種類的48個品牌從五個網站蒐集:flickr photobucket pinterest deviantART twitpic，共五百萬張照片

brand equity(品牌資產) :描述一些與品牌相關的數值或者物件

一、偵測與品牌有關的關件圖像:
1. 判斷出小部分的影像範例與群集
2. 發現群集間的相關性
3. 投影至低維空間
提供了一個對於大規模且不斷增長的大規模網路影像的結構化總結

二、偵測影像中與品牌有關的部分
以pixal表達，但是可以藉由定義最小的外包長方形來使最後結果方便呈現
揭露了在社群中使用者與產品的互動關係

這兩個部分是相互加強的!

資料收集:從五個網站卻不從google的原因是因為我們要避掉源自網路購物之類的資料，我們利用品牌名稱當搜尋詞，從內建的搜尋系統，不使用任何的filter搜尋，同時，我們也蒐集相關的meta-data(時間戳記、標題、使用者名稱、內文)

大致方法:

input:一個有興趣的品牌的影像集

第一步:建立一個KNN的graph，每個影像跟他最相近的K個影像相連

第二步:發現一小群的圖形典範，並且將其餘的照片歸類的最相近的典範，作為一個群集

第三步:利用cosegmentation來進行照片中品牌位置的判斷，同群集間的照片有可能分享類似的品牌圖像(如:包包、衣服、標籤)

實際上我們可以反覆進行第一步至第三步，來達成加強的效果

approch

1. feature extraction

兩種feature被使用:HSV color SIFT、HOG 在4跟8 pixal
每種feature利用K-mean產生300個visual word

2.image similarity

image segmentation -> linear assigment ->計算每對的相關性，並取平均
相關性:histogram intersection kernel on spatial pyramids

3. construct KNN graph

Wang, Jing, et al. "Scalable k-NN graph construction for visual descriptors." Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012.

但在partition時加入meta-data的資訊，例如:將同拍攝者的分配到同一subset，因為同拍攝者的照片可能富含相關內容。

4.examplar detection and clustering

find examplar:
Kim, Gunhee, et al. "Distributed cosegmentation via submodular optimization on anisotropic diffusion." Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011.

find clustering :
random walk
complexity : O(LN)

5.Brand localization via cosegmentation

Kim, Gunhee, and Eric P. Xing. "On multiple foreground cosegmentation." Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012.

learn foreground model of MFC -> run region assignment