Upload
takuya-minagawa
View
2.695
Download
3
Embed Size (px)
DESCRIPTION
第6回CV勉強会資料
Citation preview
第6回CV勉強会物体認識のための画像局所特徴量
3.6, 3.7, 3.8, 4章
presented by takmin
3.6. 第二世代特徴量の比較実験
• 以下の4種類の特徴量の比較実験
– Haar-Like特徴量
– EOH特徴量
– Edgelet特徴量
– HOG特徴量
3.6.1 実験概要
• 顔データセット
–学習:Webから収集した5000枚
–評価:MIT+CMU Frontal Face Image
3.6.1 実験概要
• 車データセット
–学習: UIUC Cars
–評価: UIUC Cars
3.6.1 実験概要
• 人データセット
–学習: INRIA Person Dataset
–評価: USC Pedestrian Detection Test Set
カスケード型物体検出器
全ての探索窓
1 2 3 更なる処理
拒否された探索窓
TRUE TRUE TRUE
FALSE FALSE FALSE
• 各ステージはAdaBoostを用いた強識別器。
• 弱識別器として、それぞれの特徴量を用いる
3.6.2 評価方法
検出対象数
検出した正解数検出率
評価用画像数
誤検出した数平均誤検出率
(66)
(67)
•検出率と平均誤検出率はトレードオフ(ROCカーブ)•グラフの左上ほど検出器の性能は高い
実験結果(顔)
Haar-like特徴が優秀!顔の器官は誰でも同じような位置にあるため。
実験結果(車)
どの特徴量も優秀!形状変化が少なく、テクスチャの多様さも少ない。
実験結果(人)
HOG特徴量が優秀!
姿勢による形状変化が大きく、テクスチャも多様なためエッジに着目したものが強い
選択された特徴量
ブースティングは多数の特徴量候補の中から識別に有効な特徴を自動的に選択できる。
顔データに対して選択されたHaar-like特徴量の一部
3.7 第三世代の特徴量の比較実験
• 以下の4種類の特徴量の比較実験– HOG特徴量(第二世代)
– Shapelet特徴量
– Joint HOG特徴量
–共起確率特徴量
• 実験画像–人画像データセット
• 人領域は学習画像/試験画像共に切り取り済み
• 検出ではなく、「人かどうか」というカテゴリ判別
3.6.2 評価方法
人画像数
画像数人として判定された人検出率
背景画像数
画像数人として判定された人誤検出率
(68)
(67)
•検出率と誤検出率はトレードオフ(ROCカーブ)•グラフの左上ほど検出器の性能は高い
3.7.3 実験結果(ROCカーブ)
3.7.4 選択された特徴量
3.8 物体検出に有効な特徴量まとめ
第二世代
3.8 物体検出に有効な特徴量まとめ
第三世代
4. まとめ
• SIFT
–画像の拡大・縮小、回転、スケール変化、照明変化に頑健な特徴量
– SIFTの拡張
• PCA-SIFT, GLOH, SURF
• 物体検出
–第一世代:画像全体の特徴、第二世代:局所的な特徴、第三世代:局所特徴の共起関係
–検出対象によって得意な特徴量は違う
最後に
• 図は,藤吉研の各種資料を使用させていただきました。
– http://www.vision.cs.chubu.ac.jp/04/index.html