Embed Size (px)
Citation preview
1
CV勉強会＠関東（第20回）
shirasy
2012.06.23CVPR読み会
Icon Scanning : Towards Next Generation QR Codes
紹介する論文テーマ：
本資料は、以下の学会発表論文を引用しております。
I. Friedman and L. Zelnik-Manor: Icon Scanning: Towards Next Generation QR Codes ,CVPR2012(2012)
2
自己紹介
最近、参加している活動
CV関連
デザイン関連
写真関連
3
本論文に関心を持ったきっかけ
下記記載に関心を持ち、本論文を選択
The first contribution of this paper is a novel algorithm for automatic detection of icons in a snapshot
This removes the need for manually marking the icon’s
boundary, thus, facilitating significantly the user experience.
実際に体験することが可能 ： 「eyeconit」
利用時の体験としての「eyeconit」の比較の対象となるアプリ
⇒iPhone標準アプリの「App Store」
4
本論文の概要
“In this paper we have described a practical novel
solution for automatic icon scanning.
Our system first detects the icon with a high success rate with no false alarms - doing all that in real-time.
Next, the system recognizes the detected icon within the entire App-Store database in a few seconds.”
■研究のゴール：
Future goal is to extend this and propose a more visually appealing alternative to QR Codes.
5
関連研究
アプリアイコンスキャナー
http://www.google.com/mobile/goggles/http://www.tineye.com/
6
本論文に関心を持ったきっかけ
「eyeconit」
7
＜アイコン位置の特定処理＞
●処理内容
(1)エッジ抽出（色情報：RGB,HSV,Lab）
(2)アイコンに対応する輪郭抽出
(3)アイコンに対応する輪郭特定
提案手法 処理内容
8
提案手法 処理内容
9
提案手法 処理内容
＜アイコンの認識処理（1/2）＞
●処理内容
(1) クラスタリング用の特徴量算出
⇒色情報（Lab色空間）を考慮したSIFT特徴量（168次元）
＜アイコンの特徴に関するロバスト性向上のための工夫＞
10
＜アイコンの認識処理（2/2）＞
●処理内容
(2) クラスタリング
・K-models clustring
・EM like approach for learning the best set of K models
提案手法 処理内容
＜撮影環境に関するロバスト性向上のための工夫＞
11
補足：K-models clustring
• As with K-means, the K in K-models denotes the number of clusters.
• A single design feature is different between K-means and K-models, the replacement of proximity to a cluster center with minimal squared error for a model.（モデルの最小2乗誤差によるクラスタ中心の近接の交換の交換）
D.Ashlock, J.A.Brown, and S.M.Corns. "K-models Clustering, a Generalization of K-means Clustering",
Intelligent Engineering Systems Through Artificial Neural Networks(20), pp. 485-492, 2010.
12
提案手法 処理内容
13
Implemented in C++ and use openCV2.2
• The detection module requires 330ms on iPhone4 to processan image.
• Once an icon has been detected its descriptor is computed (which takes 90ms)
• The entire recognition process takes 4 seconds.
Implementing a complete system
14
アプリが手軽にダウンロードできることを期待して、このアプリを利用。
従来の同アプローチのアプリと比較し、ストレスは小さい。ただし、タスクが達成できないことは少なからずある。
⇒ タスク達成率という観点があるとしたら、50％ほど。
「App Store」と比べた時の「eyeconit」の利点は文字を入力しなくても良い点に尽きる
プライマリのタスク達成を確実とするため、画像処理による認識が失敗した場合、文字でのクエリ入力を可能とすると良いのかもしれない。
（アプリのユーザエクスペリエンス（UX）視点で見た場合）
付録： 実利用状況
利用開始1週間後の感想：
利用シーン：主にPCでのブラウジングに、興味あるアプリを見つけた時に利用
15
付録： 実利用状況
アプリのユーザコメント ：
ユーザにとっての良い体験を支える技術として、提案手法が活かされている模様
http://appcomments.com/app/id478802786/eyeconit_reviews
16
最後に
■将来的な研究のゴール
Future goal is to extend this and propose a more visually appealing alternative to QR Codes.
■本論文に触れた感想
スマートフォン向けアプリの場合、「アプリ≒特定のタスクを達成するもの」と言う事例が多い。
本論文では、特定のタスク達成を目的としたアプローチが取られているとともに、それを評価するためのシステム（アプリ：eyeconit）が運用されており、興味深かった。
物体抽出・認識法の評価軸は、抽出精度や処理時間以外にもあると言うことを感じることができ良かった。
