今天早上看了几篇英语新闻后去上 Stigler 的课。今天的课主要讲假设检验部分的理论基础。在讲课时，Stigler 提到 Neyman，说 Neyman 是他的 Academic Grandfather(学术上的祖父)。这次关于 Neyman-Pearson 准则的课主要是基于 Bayes 观点的，Stigler 特地讲了详细的证明过程。说实话，有不少地方我没听懂，还要下来再看讲义。这节课很能体现理科和工科在概率统计教学目标上的差异。

    下课后，我又去楼上的图书馆借了三本专业书。昨晚在看 Suzuki 发给我的论文时，关于使用 Hessian Matrix 的特征值来检测直线的部分我没有想清楚，所以想找本书来看看。因为在图书馆没有找到我需要的书，回来后又在网上搜了几篇相关的论文，最后终于想明白了。

    Hessian Matrix 实际上就是多变量情形下的二阶导数，它描述了各方向上灰度梯度的变化。一根二维平面图中的直线，它的灰度数据矩阵如下图所示。在沿直线方向(图示X方向)，亮度变化极小，所以一阶和二阶导数均为零；在与直线垂直的方向，亮度先由暗变亮，再由亮变暗，在直线处(亮度值最高的地方)一阶导数为零，二阶导数小于零。于是，直接根据灰度数据矩阵计算出 Hessian Matrix，然后再计算出其两个特征值(计算特征值的目的，可视作从不同方向寻找直线的指向)，根据是否其一为零，另一为负即可进行判断。

http://s15/small/7e086a28gb173498c894e&690

 

    下午的时间看了那本关于科学实验的书的前两个实验，描述了 Aristotle 研究鸡蛋中胚胎的发育和 Beaumont 研究胃液的实验。下午正看书时，天上飘起了大雪，这是芝加哥的第一场雪，我已经八年没看过下雪了。