discriminative illumination: per-pixel classification of raw materials based on optimal projections...
TRANSCRIPT
1
紹介論文
Discriminative illumination: Per-Pixel Classification of Raw Materials based on Optimal Projections of Spectral
BRDFJinwei Gu and Chao Liu (Rochester Institute of
Technology)
2
タイトルから読む研究目的
目的物体の素材判定
Discriminative illumination:Per-Pixel Classification of Raw Materialsbased on Optimal Projections of Spectral BRDF
などなど、様々な分野で必要とされる技術
ゴミの分別 & リサイクル 食品検査 顔料同定 肌検査
3
Computer Vision における素材判定
判定対象加工されていない素材( uncoated, unpainted な素材)
特徴量見た目に基づくもの• 色• 反射特性 (BRDF)• テクスチャ• 透明度• 偏光 etc…
金属
プラスチック 布 セラミック 木材
使用された素材の一部
4
BRDF とは
BRDF (Bidirectional Reflectance Distribution Function, 双方向反射率分布関数 )物体の反射特性を表わす関数
x=(x, y)
照明 観測
物体表面での反射
5
BRDF (Bidirectional Reflectance Distribution Function, 双方向反射率分布関数 )物体の反射特性を表わす関数
BRDF とは
x=(x, y)
照明 観測
qrqi
frfi
),,,,( fqfq rriif ( 入射角,出射角,波長に依存入射光と出射光の強度の比を記述 )
2 次元の場合
1 点に対して, 波長 : 3 段階 (R, G, B など ) 入射角 : 0~180 度 (1 度刻み ) 出射角 : 0~180 度 (1 度刻み )→ 3*181*181 回の計測が必要
計測面倒くさいヨ ( ; ´Д ` )
6
計測時間を短縮かつ効率よく特徴を獲得するために
関連研究``Material classification using BRDF slices’’, Wang et
al.,CVPR2009BRDF の 2 次元スライスを利用• カメラ位置は固定• 光源位置のみ変化• 波長は考えない
``Learning of optimal illumination for material classification’’,
Pattern Recognition, Springer, 2010.• ランダムフォレストにより最適光源を学習• 任意光源の生成可
7
タイトルから読む提案手法
目標素材判定を行うのに最適な照明を提案• two-class classification の場合: 1 種類• n-class classification の場合 : n 種類
実現方法特徴量 (Spectral BRDF )を差別化する最適照明を機械学習により求める→ 少ない計測回数で素材判定が可能に !
Discriminative illumination:Per-Pixel Classification of Raw Materialsbased on Optimal Projections of Spectral BRDF
8
使用する計測装置
* 光源の強さは 256 段階に調節可能
9
Two-class classification (1/2)
線形分類器を考える
求めるべきは w
: 特徴量である Spectral BRDF
10
撮影される画像
Two-class classification (2/2)
f(wi, wo, )
L(wi, )
S()I(wo)
f(wi, wo, ): Spectral BRDFL(wi, ): 照明パターン
S(): カメラの周波数応答
ここで、カメラ位置・周波数応答が与えられると
線形識別器の式
11
Two-class classification の結果
アルミ vs. 合金SVM により求めた照
明→ 95 %の精度で識別
* 最適照明が負になる場合 照明の組合せにより実現
正の照明と負の照明に分ける
* Training data: 素材セットのうちの 半分の素材について LED を 1 つずつ光らせて 撮影した画像群
12
Multi-class classification (N クラス識別する場合 )
ここでも線形識別器を考えるOne-vs-all の場合
N 個の識別器(最適照明も N 個)
One-vs-one の場合N(N-1)/2 個の識別器(最適照明も N(N-1)/2 個)
13
Multi-class classification(one-vs-all) の結果
布 vs. セラミック vs. 樹脂SVM により求めた照明
→ 94% の精度で識別
* 最適照明が負になる場合
14
線形識別器→非線形識別器へ
Detection problem のための Cascade Classifier
Cascade classifier 導入による非線形識別器
線形識別器を段階的に適用し非線形識別器に
15
Cascade classifier の結果
アルミニウム vs. その他段階を経るごとに false positive が低下
16
実験
使用装置右のとおり。前述のとおり。
用いる素材100 個の Unpainted material• 金属 ( 合金,アルミニウム,鉄,真鍮, ステンレス鉄,銅 ) / プラスチック / セラミック / 布 / 木材
学習データ、テストデータ各カテゴリに属する素材を半々に分けて使用
17
実験装置の評価
確認したいこと1.Spectral BRDF が適切な特徴量であるのか2.実験装置の LED の数は適切なのか
1.評価手法• 使用する LED を制限して
識別率の変化を観察
評価結果
25 個の LED クラスタを使用すると識別率がほぼ 1 に近づく
18
様々な組み合わせによるクラスタリング問題以下の学習での比較• Fisher LDA• SVM• Raw measurement
大体は 9割を超える識別率
実験結果
19
アルミニウムのクラスタリング
4種類のアルミニウム• 2000 series銅との合金
• 5000 seriesマグネシウムとの合金
• 6000 seriesマグネシウムとシリコンとの合金
• 7000 series亜鉛との合金
特別な装置なしでもある程度の分別が可能
20
まとめというか感想
感想アイディアは単純。シンプル。認識率もまぁまぁ。読みやすい話。細かい話は supplementary material へ
21
だからと言って万々歳というわけではなく…
もちろん、制限事項は多い• 未知の形状には適用できない…?• BRDF は法線の向きに依存するため
• テクスチャは扱えない• ピクセル単位の BRDF を見てるため
• 相互反射や表面下散乱は扱えない• BRDF では表現できない現象
• Painted, coarted な素材は扱えない• 言わずもがな…
相互反射 表面下散乱
OK …???
22
終わり