Upload
elia
View
46
Download
0
Embed Size (px)
DESCRIPTION
CV-Reading Appearance-based Keypoint Clustering. 伊原有仁. はじめに. Appearance-based Keypoint Clustering F.J.Estrada , P.Fua , V.Lepetit , and S.Ausstrunk CVPR2009 キーポイントのクラスタリング 特徴の類似度算出法 セグメンテーションの問題をキーポイントの クラスタリングへ展開. Movie. 提案手法の流れ. 1:入力画像から特徴点検出 2:特徴点を中心とした各パッチから色と テクスチャ特徴の抽出 - PowerPoint PPT Presentation
Citation preview
1
CV-ReadingAppearance-based Keypoint Clustering
伊原有仁
2
はじめに
Appearance-based Keypoint Clustering– F.J.Estrada, P.Fua, V.Lepetit, and S.Ausstrunk– CVPR2009
– キーポイントのクラスタリング• 特徴の類似度算出法• セグメンテーションの問題をキーポイントの
クラスタリングへ展開
3
Movie
4
提案手法の流れ
1:入力画像から特徴点検出2:特徴点を中心とした各パッチから色と
テクスチャ特徴の抽出3:類似度の算出と空間射影 (spectral
embedding)4: Mean-shift によるクラスタリング
5
特徴量:色情報
カラーヒストグラム– RGB 色空間
6
特徴量:テクスチャ情報
共分散行列ベース
ここで
パッチ内のピクセル jに対する1次微分,2次微分:平均ベクトル:パッチ内のピクセル数
7
提案手法の流れ
1:入力画像から特徴点検出2:特徴点を中心とした各パッチから色と
テクスチャ特徴の抽出3:類似度の算出と空間射影 (spectral
embedding)4: Mean-shift によるクラスタリング
8
類似度の算出
カラー情報の類似度算出
テクスチャ情報の類似度算出– パッチ間の固有値の和
:カラーヒストグラムの距離:平均ベクトル
9
類似度の評価
カラー情報とテクスチャ情報の組み合わせ
:パッチ間のユークリッド距離:重み
10
パラメータ設定
設定パラメータ– 重み σ:0.3– カラーヒストグラムのビン数 :15– パッチサイズ :11x11
F 値によって設定
Pは適合率, rは再現率F が最大となるパラメータ
11
クラスタリング
空間射影 (Spectral embedding) *付録参照
– 類似度 を使用しグラフを作成– 同じクラスタに属する要素の類似度を強調
• PCA のようなもの
Mean-shift
12
クラスタリング実験
Ncuts(Normalized cuts) との比較– グラフに基づいたクラスタリングアルゴリズム– Spectral embedding と関連
BSD(Berkely Segmentation Database)– 250 枚
13
クラスタリング結果 1 提案手法: 0.6613 の正解率 Ncuts : 0.5279 の正解率
14
クラスタリング結果 2 正解率の差によってソート
提案手法では, 250 枚の画像に対し, 200 枚以上,正解率が高い
15
トラッキングへの展開 1 物体にキーポイントが少ない場合– (a):SIFT,(b): 提案手法を用いた SIFT
16
トラッキングへの展開 2 非剛体に対するトラッキング– (a):SIFT,(b): クラスタリング ,(c): 提案手法を用いた
SIFT
17
照明と視点変化
(a):SIFT,(b): 提案手法を用いた SIFT
18
おわりに
Appearance-based Keypoint Clustering– キーポイントの安定したクラスタリング
• 色とテクスチャを用いたパッチ間の類似度算出法• Spectral embedding と mean-shift
– 制約のない環境下における高精度なマッチング