Your SlideShare is downloading. ×
0
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
関西CVPRML勉強会 2011.9.23
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

関西CVPRML勉強会 2011.9.23

1,707

Published on

これが最終版です(2011.9.23) → ”L(f)の呪い”他,不備・不足分を修正追記して,本当に最終版にしました (2011.9.24)

これが最終版です(2011.9.23) → ”L(f)の呪い”他,不備・不足分を修正追記して,本当に最終版にしました (2011.9.24)

Published in: Technology, Business
0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
1,707
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
2
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. ICCV2011 Paper Digest Learning a Category Independent Object Detection CascadeAkisato Kimura @ NTT Communication Science Labs Twitter ID: @_akisato
  • 2. いまさら物体検出? もうできてない? どんな物体検出ができているのか?  顔検出・人物検出・文字検出: 商用水準  特定種類物体検出: 研究水準  一般物体検出: 研究水準すらおぼつかない2 関西CVPRML (September 22, 2011)
  • 3. 一般物体検出の事例 顕著性算出  Spectral residual [Hou+ CVPR2007] Spectral residual3 関西CVPRML (September 22, 2011)
  • 4. 一般物体検出の事例 顕著性に基づく検出  2-D FFT + thresholding [Achanta+ CVPR2009]4 関西CVPRML (September 22, 2011)
  • 5. 一般物体検出の事例 顕著性に基づく物体検出  Saliency graph cuts [福地+ ICME2009→信学論2010]5 関西CVPRML (September 22, 2011)
  • 6. 一般物体検出の事例 Superpixelをぎりぎり覆う 新しい特徴の追加 bounding boxが望ましい  Superpixels Straddling [Alexe+ CVPR2010]6 関西CVPRML (September 22, 2011)
  • 7. CVPR2008 Best Student Paper Award ECCV2008 Best Paper Award Learning a category independent object detection cascade E. Rahtu & J. Kannala @ Univ. Oulu M. Blaschko @ Univ. Oxford
  • 8. やりたいこと 一般物体検出  特定種類物体検出・認識の候補を絞るために使う。  だから、とっても速く動かしたい。 Alexe+@CVPR2010 Proposed8 関西CVPRML (September 22, 2011)
  • 9. アプローチ 複数の新しい特徴の提案  陽に顕著性を用いない点が、大きな違い。  ここでの計算はできるだけサボりたい。 教師付き識別学習の導入  「物体らしさ」の定義は機械学習に任せてしまう。9 関西CVPRML (September 22, 2011)
  • 10. 全体の構成初期候補抽出 特徴抽出 最終候補決定 Superpixel boundary Structured learning integral Superpixel with ranking clustering constraints Boundary edge distribution Position/size prior Window symmetry Non-maxima filtering10 関西CVPRML (September 22, 2011)
  • 11. 初期候補抽出(1) Superpixel window generation  ここで取れるboxの数は高々数100程度 Superpixel 隣接/3隣接 segmentation [Felzenschwalb+ superpixelの 入力画像 IJCV2004] bounding box11 関西CVPRML (September 22, 2011)
  • 12. 初期候補抽出(2) Position / size prior  学習データから,サイズと位置との関係を学習  Random samplingでサイズと位置を決定(10万) 幅,高さは 横位置は 縦位置は そのまま学習 幅のみに依存 高さのみに依存12 関西CVPRML (September 22, 2011)
  • 13. 全体の構成初期候補抽出 特徴抽出 最終候補決定 Superpixel boundary Structured learning integral Superpixel with ranking clustering constraints Boundary edge distribution Position/size prior Window symmetry Non-maxima filtering13 関西CVPRML (September 22, 2011)
  • 14. 特徴抽出(1) Superpixel boundary integral (BI)  Superpixels straddling (SS)の高速版として Bounding box yの 境界ピクセルの集合 Bounding box内 superpixel画像の 全長 Gaussian smoothing14 関西CVPRML (September 22, 2011)
  • 15. 特徴抽出(2) Boundary edge distribution (BE) 入力画像 エッジ強調gradient Canny edge detector Gradient Gaussian smoothing 候補領域を6x6分割 部分領域で注目する 方向と重みを変更15 関西CVPRML (September 22, 2011)
  • 16. 特徴抽出(3) Window symmetry (WS) エッジ強調gradient 2x2領域でヒストグラムを統合 画像を4x4分割 (各領域16次元ヒストグラム) Histogram intersection 方向ヒストグラムを計算(各領域4次元ヒストグラム)16 関西CVPRML (September 22, 2011)
  • 17. 全体の構成初期候補抽出 特徴抽出 最終候補決定 Superpixel boundary Structured learning integral Superpixel with ranking clustering constraints Boundary edge distribution Position/size prior Window symmetry Non-maxima filtering17 関西CVPRML (September 22, 2011)
  • 18. 最終候補決定(1) Structured output ranking  Pseudo-codeは本文Algorithm 1を参照 損失関数 採用する領域 採用しない領域 (のindex) (のindex)特徴量の重み i番目の画像の j番目の窓の特徴量 18 関西CVPRML (September 22, 2011)
  • 19. 最終候補決定(2) Non-maxima suppression & filtering スコア極大箇所検出 最終候補決定幅・高さ・横位置・縦位置の4次元 抽出した所定数(=1万)のwindow空間 を規則的に分割 をスコアの高い順に並べる分割領域内の候補window(4次元 これまでに採用したwindowと空間中の1点に対応)から,最も 重なりが一定以下であれば採用スコア の良いwindowを抽出所定数(=1万)のwindowを取るまで 所定数(=100 or 1000)のwindow分割と抽出を繰り返す を取るまで抽出を繰り返す19 関西CVPRML (September 22, 2011)
  • 20. データセット PASCAL VOC 2007  http://pascallin.ecs.soton.ac.uk/challenges/VOC/voc2007/  Total ≒ 10000 images (2501 for training, 2510 for validation, 4952 for testing)20 関西CVPRML (September 22, 2011)
  • 21. 検出結果の例  Red = detection result, green = ground truth  もっと見たい方は http://www.cse.oulu.fi/MVG/Downloads/ObjectDetection21 関西CVPRML (September 22, 2011)
  • 22. 初期候補選択の効果 頑張れば randomや規則的抽出よりも 良くなります…(ぇ22 関西CVPRML (September 22, 2011)
  • 23. 各特徴量の効果 単独特徴で考えると、 superpixels straddlingと superpixel boundary integralが だいたい互角 点線=100個出力 実線=1000個出力23 関西CVPRML (September 22, 2011)
  • 24. 特徴量を組み合わせた効果 提案した特徴(WS+BE+BI) だけだと、従来法と互角。 (ただし、高速に動作) 従来法での主要特徴(SS)を 用いると、従来法を上回る。 Structured learning (SRK)の効果もまずまず 点線=100個出力 実線=1000個出力24 関西CVPRML (September 22, 2011)
  • 25. 雑感 やっぱり一般物体検出は難しい.  20カテゴリでも50%.多様性が増えると…(゜Д゜)  この論文でも,実際にいくつの物体が存在するか, を特定することはできていない.  「物体」に共通する特徴が本当に存在するの? それでも一般物体検出は必要.  未知カテゴリ物体を検出できることは, 特定種類物体検出/認識をする上で不可欠.25 関西CVPRML (September 22, 2011)
  • 26. Thank you for your kind attention. Any questions/comments/discussions ? Corresponding author Akisato Kimura, Ph.D @ NTT CS Labs. [E-mail] akisato <at> ieee.org [Twitter] _akisato [web] Please search by “Akisato Kimura”26 関西CVPRML (September 22, 2011)

×