cvim tomoaki-3-4-7,8

Bag-of-Featuresに基づく物体認識(2)

7,8章手島知昭

@tomoaki_teshima

2011/Sep/04

ざっとまとめ

L. Fei-Fei, R. Fergus and P. Perona. Learning generative visual modelsfrom few training examples: an incremental Bayesian approach tested on

101 object categories. IEEE. CVPR 2004, Workshop on Generative-ModelBased Vision. 2004

300px X 300px

情報多すぎ！！

盆栽盆栽日の丸

情報量を減らす

BoWBoVW

カニ

特徴量の学習

どこを境界線にするのがベスト？

SVM， PLSAなどを用いて学習MKLを用いて特徴量統合

学習とデータセット• Caltech-101/256 (カリフォルニア工科大学 )

• PASCAL Visual Object Classes Challenge(PASCAL)(一般のスナップ多し )

• MSRC (pixel単位 )

• TRECVID(video) -2009, 2010-

オブジェクトと枚数

枚数オブジェクトの種類

Caltech 101 (9K)

MSRC (591)

Caltech 256 (30K)

TRECVID (40K)

SUN09(12K)

MSRC (591) PASCAL VOC(5K)

誰がデータ付するの？• ボランティアベース• Social Media

– Flickr– Picasa– Youtube

• 大学で人力を用意• Crowd sourcing

有償

無償

画像ランキング• 一度テキストベースでランキング

• それに対して局所特徴量で再ランキング

• ノイズ付きでも 80M枚あると K最近傍分類でも OK

• Microsoft Researchで 20億枚の画像データベースを利用– 性能向上

うさぎセーラームーン月野うさぎ

一般物体認識のまとめ• Bag-of-featuresと局所特徴量の組み合わせ

• 得られた BoFベクトルを分類する– SVM， PLSAによる分類や

MKLによる特徴量統合が行われている• 学習用のデータベースは研究用のものが数多く公開されている–様々なコンテストも毎年開かれている–検索エンジンの結果をそのまま使う研究も報告されている