图像特征工程是图像场景理解中的一项重要基础性工作，基于概率图模型的图像整体场景理解特征工程作为其延伸，其复杂性和综合性远高于基本图像理解特征工程。针对这一特点，对图像理解特征工程中的特征提取、表示、学习和变换，基于概率图模型的图像整体场景理解特征工程研究价值和意义、典型特征工程等多方面进行了归纳与分析，重点介绍了四种代表性的基于概率图模型的图像整体场景理解特征工程，并作了详细比较，提出了基于概率图模型的图像整体场景理解特征工程基本框架。最后对未来发展方向进行了展望，为该领域的进一步研究提供参考。

基于视觉的人体运动分析是计算机领域中备受关注的前沿方向之一，而人行为理解由于在智能监控、人机交互、虚拟现实和基于内容的视频检索等方面有着广泛的应用前景更是成为了未来研究的前瞻性方向之一。行为理解问题一般遵从如下基本过程：特征提取与运动表征；行为识别；高层行为与场景理解。着重从这三个方面逐一回顾了近年来人行为理解研究的发展现状和常用方法，并对当前该研究方向上亟待解决的问题和未来趋势作了较为详细的分析。

LOCO：上下文中的物流对象 LOCO是第一个用于物流的场景理解数据集，涉及检测特定于物流的对象的问题。 使用低成本相机在物流环境中行走时捕获图像。 我们目前提供在5种物流环境中捕获的37,988张图像，其中5593张图像被手动注释，从而产生152,421条注释。 带注释的类包括叉车，码垛车，货盘，小型装载机和釜馏物。 有关更多详细信息，请参阅我们的。 如果您使用LOCO进行研究，请考虑引用我们的工作（ ）。 数据集 数据 带注释的数据集可在下载。 此外，我们还在提供其他数据（未注释）。 注解 注释以存储在rgb/loco-all-v1.json 。 为了易于使用，我们还为每个子集提供了单独的注释文件。 学分和引用方式 没有包括Dimitrij-Marian Holm，Benjamin Molter，Nikolai Ruof和Mubashir Hanif在内的出色团队以及所有辛勤工作的

斯坦福大学在读博士生祁芮中台：点云上的深度学习及其在三维场景理解中的应用.pdf

本文按照场景分类的大体框架对国内外场景分类发展的现状进行了描述.在对不同的场景分类方法进行详细描述的基础之上,将各种方法进行系统的分析、比较和总结,最后对场景分类的未来发展趋势作出了展望。对场景分类未来发展的挑战和发展趋势给出了明确的介绍，对于图像场景分类方向的研究有很大的帮助。