統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-

8,591 views

Published on

統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
情報処理学会CVIM研究会
2013年3月15日

Published in: Technology
0 Comments
28 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
8,591
On SlideShare
0
From Embeds
0
Number of Embeds
289
Actions
Shares
0
Downloads
237
Comments
0
Likes
28
Embeds 0
No embeds

No notes for slide

統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-

  1. 1. 統計的学習手法による物体検出の高精度化と効率化- 人検出の実用化に向けて -2013年3月15日情報処理学会CVIM研究会藤吉弘亘 (Hironobu Fujiyoshi)中部大学工学部情報工学科E-mail : hf@cs.chubu.ac.jpURL:http://www.vision.cs.chubu.ac.jp/Facebook: facebook.com/hironobu.fujiyoshiTwitter: @hf149統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  2. 2. 人検出の実用化に向けて• 統計的学習手法を用いた物体検出– 公開画像データベースによる評価 →必ずしも高い性能を獲得した手法が実用化に適しているとはいえない • 実用化という観点から最適な手法 (1) 検出失敗の理由を明確に把握することが可能 (2) 少ない学習サンプルでシステムをチューニング可能 (3) 省メモリで高速な計算アルゴリズム統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  3. 3. 物体検出の高精度化:Joint特徴量による高精度化- 人検出の実用化に向けて -統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  4. 4. 人の形状特徴• 頭部から肩にかけてのΩ形状や下半身の連続的なエッジ形状• 頭, 肩, 胴体, 足などの左右対称性 第2世代のアプローチ 第3世代のアプローチ →単一のHOG特徴量だけでは人の形状を捉えきれない統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  5. 5. 特徴量間の共起を捉える特徴量の生成• どのように特徴量間の共起を表現するか?– Joint Haar-like [Mita et al., PAMI 08]– 共起確率特徴 [山内, 山下, 藤吉 MIRU 08]• どのように特徴量間の関連性を捉えるか?– Shapelet [G.Mori CVPR 07]– Joint-HOG [三井, 山内, 藤吉 SSII 08] 顔 人 顔/人/車 Joint Haar-like Shapelet Joint HOG統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  6. 6. Joint-HOG特徴による人検出 [三井, 山内, 藤吉 SSII 08]• 異なる二つの領域のHOG特徴量をAdaBoostにより組み合わせる AdaBoost 弱識別器h 重みα h1(   ,   ) α1 + 判定結果 h2(   ,   ) α2 人: H (x) > λ + 非人: otherwise ・ ・ ・未知入力パターン HOG特徴量 x + hT(   ,   ) αT H (x) = Σ ht(x)・αt 統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  7. 7. 2段階AdaBoostによるJoint-HOG特徴の自動生成 セルの 1段階目のAdaBoostで 全組み合わせ 生成した特徴量 H1,2(C1, C2) C1とC2のHOG 最終識別器 C1: C1[v1, v2, ...v9] AdaBoost ・・・ C2[v1, v2, ...v9] C2: 弱識別器h ・ ・ ・ ・ h1(   ,   ) AdaBoost ・ ・ H7,11(C7, C11) C7とC11のHOG h2(   ,   ) C7: C7[v1, v2, ...v9] AdaBoost ・・・ C11[v1, v2, ...v9] C11: ・ ・ ・ ・ ・ ・ ・ ・ ・ Hi,j(Ci, Cj) CiとCjのHOG Ci: hT(   ,   ) Cj[v1, v2, ...v9] AdaBoost ・・・ Cj[v1, v2, ...v9] Cj: Low-level: Mid-level: HOG特徴POOL Joint HOG特徴POOL→ 局所領域間での勾配方向の対称性、連続性を自動的に捉える統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  8. 8. や上半身から下半身 2段階AdaBoostによる最終識別器形状 • 最終識別器による判定向のエッジ特徴を 図 2 Joint 特徴量による 2 段階 Real AdaBoost.t 特徴量 [5] が提案st の弱識別器が複り,共起性を表現す 多重解像度の HOG 特徴量も利用できる [9].次に,2 つの 化結果ている.両手法は, セル {m,n} の HOG 特徴量から共起確率特徴量を生成す により ングにより組み合 る.その際に,共起確率特徴量は HOG 特徴量の全ての組 徴量を 図 4 2段階目のAdaBoostの出力: Joint 特徴量による物体検出例.ることができ,高精 み合わせに対して求め,Real AdaBoost により最も良い組 で表現 み合わせを弱識別器として自動的に選択する.この処理を 弱識別 H 2nd (v) = h2nd Ht (v, {m, n}) 1st (2)いて図 1(b) に示す T 回繰り返し,1 段階目の Real AdaBoost により次式で表 を表す {m,n}∈F動的に捉える Joint される 2 つのセル {m,n} の Joint 特徴量である強識別器 T 図5 .本章では,1段階目のAdaBoostの出力: を学習する. ht (v, {m, n}) H 1st (v, {m, n}) = h2nd (3) 1st Joint ても人 2 段階 t=1ついて述べる. {m,n}∈F T 2 段階目の弱識別器 h2nd () は,2 つのセルの関係を捉えた H 1st (v, {m, n}) = h1st (v, {m, n}) t (1) 効ではング 1 段階目の H 1st () の出力となっていることから,異なるセ る.2 t=1 築の流れを図 2 に 上記の処理を全てのセルの組み合わせに対して行い,組 ルの low-level の特徴量から mid-level の特徴量を生成して 徴量は 統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  9. 9. 評価用データベース• 人検出用画像データベース- 学習用画像データ Positive : 2,053枚 Negative : 6,253枚- 評価用画像データ Positive : 1,023枚 Negative : 1,233枚• 車両検出用画像データベース- 学習用画像データ Positive : 2,464枚 Negative : 2,415枚- 評価用画像データ Positive : 1,899枚 Negative : 2,413枚統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  10. 10. Joint-HOG特徴による検出性能• 人検出と車両検出におけるJoint-HOGの効果 (a) 人検出 (b) 車両検出 DET(Detection Error Tradeoff)による評価統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  11. 11. ラスタスキャンによるJoint-HOGによる検出例 (a) 人検出 (b) 車両検出統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  12. 12. 自動生成されたJoint HOG特徴 (人検出)• 人の輪郭に沿った勾配方向の特徴量を自動選択‒ 識別に有効なmid-levelな特徴量を自動生成 最終識別器 全学習用サンプルの 1段目のAdaBoostにより 2段目のAdaBoostにより 平均勾配画像 選択されたHOG特徴 選択されたHOG特徴統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  13. 13. 自動生成されたJoint HOG特徴(車両検出) 全学習用サンプルの 1段目のAdaBoostにより 2段目のAdaBoostにより 平均勾配画像 選択されたHOG特徴 選択されたHOG特徴 物体形状の対称性, 連続性, 異なる領域間の関係性を自動生成 1ラウンド 2ラウンド 3ラウンド 15ラウンド統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  14. 14. 誤検出の解析• 検出失敗例における各弱識別器の応答 2.0 1.0 弱識別器の応答 弱識別器の応答: 0 -1.0入力画像 -2.0 1 10 20 30 40 50 弱識別器 ポジティブサンプルの分布 ネガティブサンプルの分布 ポジティブサンプルの頻度が高い ネガティブサンプルの分布が不自然 特徴量の限界 学習サンプルの分布を再構築統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  15. 15. 解析の容易さピクセル差分特徴を利用した車両検出器を構築した際の弱識別器により選択された特徴統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  16. 16. FPGAによるJoint-HOGのハードウェア化- 人検出の実用化に向けて -統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  17. 17. ハードウェア化における着目点• Joint-HOGの高速化– パイプライン処理により低コストなFPGAで高速化を実現• 検出対象の柔軟性– 学習ソフトウェアを連携することで、検出対象を変更可能 Cyclone III FPGA USBポート カメラリンクコネクタ カメラ入力 USB2.0 Cyclone III EP3C120F780-8 Logic cells:119,088   Memory bit:3,981,312 bit PCアプリ 画像処理ボード RAM統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘 17
  18. 18. 検出対象をリコンフィグ可能な汎用物体検出ビジョンセンサ [矢澤, 藤吉 SSII 11]• 学習ソフトウェアとFPGAハードウェアの連動– Joint-HOGによる物体検出 連携 検出対象:人  ソフトウェアAPI 物体検出ハードウェア 学習結果 ODEN-API ver.2 特徴量 による学習 パラメータ 学習データ 人検出を実現統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  19. 19. 検出対象をリコンフィグ可能な汎用物体検出ビジョンセンサ [矢澤, 藤吉 SSII 11]• 学習ソフトウェアとFPGAハードウェアの連動– Joint-HOGによる物体検出 連携 検出対象:車両 ソフトウェアAPI 物体検出ハードウェア 学習結果 ODEN-API ver.2 特徴量 による学習 パラメータ 学習データ 車両検出を実現 →汎用性の高い物体検出ハードウェアを実現統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  20. 20. 検出対象をリコンフィグ可能な物体検出ハードウェア• リアルタイムに任意の物体を検出(20FPS VGA画像) Cyclone III EP3C120F780-8 Logic cells:119,088   Memory bit:3,981,312 bit統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  21. 21. 物体検出の効率化:CGによる学習サンプルの自動生成- 人検出の実用化に向けて -統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  22. 22. 大量の良質な学習サンプルを必要• 統計的学習手法による高精度な物体検出を実現するには– 大量の学習サンプル:10,000枚以上(人の場合)– 良質な学習サンプル:位置ずれ・誤ラベルなし 人画像(約3,000枚) 平均勾配画像統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  23. 23. 学習サンプルの作成 10 hours later...統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  24. 24. 学習サンプルと異なる環境での問題• 学習サンプルと異なるカメラ位置の環境では– 見えが異なるため検出能力が低下– 現場での再学習は不可能... INRIA評価画像 特定シーン画像 未検出統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  25. 25. 学習サンプルの自動生成:生成型学習 [草富, 山内, 藤吉 SSII 11]• 特定シーンを考慮した生成型学習– 学習サンプルを自動生成 – ポジティブサンプル:三次元人体モデルより生成 – ネガティブサンプル:ランダムに切り出して生成 生成モデル ポジティブサンプル 撮影した映像 各フレームからランダムに選択 ネガティブサンプル統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  26. 26. ポジティブサンプルの生成• 人体シルエットの生成モデル カメラパラメータ ・カメラ位置    x = 0.0m    y = 6.2m    z = 0.0m ・カメラ角度    θ = 21.0 ・・ 人クラスの画像生成統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  27. 27. ネガティブサンプルの生成• 背景画像からランダムで収集- メリット:特定のシーンを背景として学習- デメリット:人画像に背景ラベルを与える 背景クラスの画像生成 →誤ラベルを含んだ状態で学習すると識別器の性能低下を招く統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  28. 28. MILBoostの導入 [Viola et al., NIPS 06]• Multiple Instance LearningをBoostingに導入した学習アルゴリズム- 誤って付与されたラベルを持つ学習サンプルの影響を抑制 ポジティブクラス ・・ Pos-­‐Bag1 Pos-­‐Bag2 Pos-­‐Bag3 Pos-­‐BagN ネガティブクラス 改良型MILBoost Neg-­‐Bag1 Neg-­‐BagM Neg-­‐Bag2  統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  29. 29. 実験:学習データセットの組み合わせ ポジティブサンプル ネガティブサンプル INRIA-Pos 実環境-Neg INRIA-Pos(手動) 実環境-Neg(ランダム) 実環境-Pos 実環境-Neg 実環境-Pos(手動) 実環境-Neg(ランダム) 生成-Pos INRIA-Neg CG生成-Pos(自動) 実環境-Neg(ランダム)統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  30. 30. 実験結果:学習サンプルの自動生成の効果 INRIA-Pos+実環境-Neg 実環境-Pos+実環境-Neg CG生成-Pos+実環境-Neg →CG生成によるポジティブサンプルは実環境の画像サンプルと同等以上統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  31. 31. 実験:誤サンプルの影響の評価• ネガティブサンプルにおける誤ラベルの影響を調査- Real AdaBoostとMILBoostの比較 ネガティブクラス 誤ラベルの割合:0% ネガティブクラス 誤ラベルの割合:20% ・ ・ ネガティブクラス 誤ラベルの割合:40%統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  32. 32. 誤サンプルの影響の評価 Real Adaboost 改良型 MILBoost ポジティブサンプルの含有率 [%]→ネガティブサンプル中に人画像が含まれていても、識別器の学習に及ぼす悪影響を低減 含有率0%時においても少数の外れ値の影響を除去統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  33. 33. 学習サンプルの自動生成とMILBoostを用いた学習 従来手法 提案手法(自動生成+MILBoost)統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  34. 34. 物体検出の効率化:ハイブリッド型転移学習による学習の効率化- 人検出の実用化に向けて -統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  35. 35. 現場における再学習のコスト• カメラの設置位置,人の姿勢,見えが変化– サンプル採取:CGにより自動生成– 再学習コスト:自動生成した学習サンプル(2,400枚)をその場で学習 再学習すると 約10時間 CG学習サンプル統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  36. 36. 転移学習(Transfer Learning)• ある問題を効果的かつ、効率的に解くために、別の関連した問題のデータ や学習結果を再利用すること• CovBoost(共変量シフト) [Pang et al., IP 11]– 事前学習で得た情報を活かしたBoostingベースの追加学習法 – 高速な学習:事前学習で既選択の特徴量のみを転移して使用 – 少量のサンプル:共変量を用いて事前シーンのサンプルも利用統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  37. 37. CovBoostによる転移学習• 事前学習の特徴を転移してBoostingにより識別器を構築 事前シーン 事前学習結果 強識別器元データ Ha 選択された 特徴量 汎用データベース Feature Shift CovBoost目標データ 共変量 Ht 強識別器 CGにより自動生成 転移された特徴量 転移学習結果 特定シーン 統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  38. 38. Feature Shift:特徴の転移• 事前学習で選択された特徴量の目標シーンへの転移1. 転移候補特徴の元データにおける確率密度関数と、目標データの周辺における確率密度関数 を作成2. 確率密度関数間のBhattacharyya距離を算出し、最大のものを転移特徴とする3. 事前学習で選択された全ての特徴について、1. 2.より転移特徴プールを作成 尤度 勾配強度 0.7 尤度 0.9 MAX 勾配強度 転移特徴 転移候補 0.6 尤度 勾配強度 尤度 元データ 目標データ Bhattacharyya距離 勾配強度統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  39. 39. CovBoostの学習 学習ラウンド:1 CovBoost 弱識別器h 重みα 評価値 共変量 評価 ε h1( ), α1 共変量 評価 ε 元データ h2(  ), α2 共変量 評価 ε MIN ・ ・ 共変量 ・ ・ ・ ・ 評価 ε hT(  ), αT 目標データ ・ 転移特徴量pool統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  40. 40. CovBoostの学習 学習ラウンド:2 CovBoost 弱識別器h 重みα 評価値 共変量 評価 ε MIN h1( ), α1 共変量 評価 ε 元データ h2(  ), α2 共変量 評価 ε ・ ・ 共変量 ・ ・ ・ ・ 評価 ε hT(  ), αT 目標データ ・ 転移特徴量pool統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  41. 41. CovBoostの学習 学習ラウンド:T CovBoost 弱識別器h 重みα 評価値 共変量 評価 ε h1( ), α1 共変量 評価 ε MIN 元データ h2(  ), α2 共変量 評価 ε ・ ・ 共変量 ・ ・ ・ ・ 評価 ε hT(  ), αT 目標データ ・ 転移特徴量pool統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  42. 42. CovBoost:共変量を用いたBoosting学習• 学習誤差εが最小となるよう弱識別器を選択 n X m X yi Ht (xi ) yj Ht (xj ) ✏t = e + rj e i=1 j=1 目標ドメインにおける誤差評価 元ドメインの誤差評価 元ドメインの識別器 共変量: 目標ドメインの識別器 →目標ドメインと適合しない事前サンプルをスポイル統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  43. 43. 実験:転移学習の効果 学習手法 学習サンプル数 ポジティブサンプル例 事前学習 AdaBoost 2014枚 INRIA Person Dataset(俯角0度) 再学習 AdaBoost 2014枚 CG生成-Pos(俯角20度) 転移学習 CovBoost 800枚 CG生成-Pos(俯角20度)統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  44. 44. 実験結果:転移学習の効果 未検出率 [%] 事前学習(AdaBoost) 再学習 (AdaBoost) 転移学習(CovBoost) 誤検出率 [%] 学習時間の比較   再学習 :60分 →約1/10の時間で同等性能の識別器を構築   転移学習: 6分統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  45. 45. 元データと目標データの見えの変化が大きくなると…• 特徴の転移が不可能なのでは?元データ目標データ 俯角20度 俯角40度 統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  46. 46. 見えの変化が大きくなっても転移可能か? 未検出率 [%] 転移学習だけでは適応できない!新たな特徴を探索する必要あり! 目標ドメインの俯角: 50度 事前学習(AdaBoost) 40度 再学習 (AdaBoost) 30度 転移学習(CovBoost) 20度 誤検出率 [%] 元データ 目標データ 0度 20度 30度 40度 50度統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  47. 47. ハイブリッド型転移学習• 転移学習と全探索学習を切り替えながら識別器を構築 事前シーン 事前学習結果 強識別器元データ Ha 学習効率 Feature Shift 強識別器 Ht ス h1(   ) 共変量 イ h2(   ) 転移特徴pool ッ目標データ チ h3(   ) 共変量 ン ・ 全探索 グ ht(   ) 特徴pool 特定シーン ハイブリッド型 転移学習結果 統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  48. 48. 学習誤差の推移• 学習効率による転移学習と全探索を効果的に切り替える 学習誤差 転移学習 全探索 転移学習(CovBoost) 再学習 (AdaBoost) ハイブリッド転移学習 学習ラウンド [回] →転移学習で上昇する逐次学習誤差を全探索で抑制統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  49. 49. 実験結果:ハイブリッド型転移学習の効果 18 90 16 転移学習 80 再学習 14 ハイブリッド型転移学習 70 12 60 学習時間 [ 分 ] 50 EER[%] 10 8 40 未検出率 [%] 6 30 4 20 2 10 0 事前学習(AdaBoost) 0 20 30 再学習 (AdaBoost) 40 50 転移学習(CovBoost) 誤検出率 [%] Equal Error Rate(EER):誤検出率と未検出率が同値になった際の値統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  50. 50. ハイブリッド型転移学習により選択された特徴量• 再学習と同等の特徴がハイブリッド型転移学習により獲得 転移特徴 平均勾配画像 ハイブリッド型 再学習により (俯角50 ) 転移学習 選択された特徴 全探索統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  51. 51. 統計的学習手法による物体検出の高精度化と効率化• 物体検出の高精度化– 特徴量を自動生成する生成型学習 – Joint特徴量:識別に有効な特徴量を自動生成   →新しい生成型学習のアプローチ• 物体検出の効率化– 学習サンプルを自動生成する生成型学習 – 人体三次元モデルからの学習サンプルの自動生成 – MILBoostによる誤ラベルの影響を抑制   →特定シーンに特化した生成型学習による高精度化と効率化を実現– ハイブリッド型転移学習 – 特徴の転移と全探索のハイブリッドによる学習の高速化   →現場環境へ適応するための時間的コストを1/4に削減統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  52. 52. 人検出の実用化に向けて• 実用化という観点から最適な手法(1) 検出失敗の理由を明確に把握することが可能 →弱識別器の応答と選択したJoint特徴量を解析することで可能(2) 少ない学習サンプルでシステムをチューニング可能 →CGにより自動生成したサンプルと転移学習の利用(3) 省メモリで高速な計算アルゴリズム →Joint-HOGを安価なFPGAで実現統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  53. 53. 今後の課題 • HOG(特徴抽出過程)の限界 – 能動学習によるオンラインチューニング – Deep Learningの結果を用いた特徴量の再設計 DPM (state-of-the-art)による誤検出例 (Real-time Pedestrian Detection with Deformable Part Models, IV2012)edestrian detections in testset. The first and second row shows correct pedestrian detections in Qualitative detection results on the Caltech tresults on the Caltech various scenarios. The third Fig. 6. various scenarios. The thirdes. row shows typical false positives. 統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  54. 54. 参考文献• [Mita et al., PAMI 08] T. Mita, T. Kaneko, B. Stenger, and O. Hori: "Discriminative Feature Co- occurrence Selection for Object Detection", Pattern Analysis and Machine Intelligence, Vol.30, no.7, pp.1257-1269(2008)• [山内, 藤吉, 山下 MIRU 08] 山内悠嗣, 藤吉弘亘, 山下隆義: "Boostingに基づく共起表現による人検出", 画像 の認識・理解シンポジウム(MIRU), pp.180-187(2008)• [G.Mori, CVPR 07] P. Sabzmeydani, and G. Mori: "Detecting Pedestrians by Learning Shapelet Features", Computer Vision and Pattern Recognition, pp.1-8(2007)• [三井, 山内, 藤吉 SSII 08] 三井相和, 山内悠嗣, 藤吉弘亘: "Joint HOG特徴を用いた2段階AdaBoostによる人 検出", 画像センシングシンポジウム(SSII)(2008)• [矢澤, 藤吉 SSII 11] 矢澤芳文, 吉見勤, 都筑輝泰, 土肥智美, 藤吉弘亘: "検出対象をリコンフィグ可能なJoint- HOGによるFPGAハードウェア検出器", 画像センシングシンポジウム(SSII)(2011)• [草富, 山内, 藤吉 SSII 11] 草富省吾, 山内悠嗣, 藤吉弘亘: "人検出のための学習サンプルの自動生成と MILBoostを用いた人検出", 画像センシングシンポジウム(SSII)(2011)• [Viola et al., NIPS 06] P. Viola, J. Platt, C. Zhang: "Multiple instance boosting for object detection", Neural Information Processing Systems(2006)• [Pang et al., IP 11] J. Pang, Q. Huang, S. Yan, S. Jiang, L. Qin: "Transferring Boosted Detectors Towards Viewpoint and Scene Adaptiveness". Image Processing 20(5): pp.1388 -1400 (2011)• [土屋, 藤吉 PRMU 13] 土屋成光, 山内悠嗣, 下隆義, 藤吉弘亘: "ハイブリッド型転移学習による物体検出にお ける学習の効率化", 電子情報通信学会PRMU研究会技報(2013) 統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘
  55. 55. お問い合わせ先藤吉研究室 Fujiyoshi Laboratory藤吉弘亘(Hironobu Fujiyoshi)中部大学工学部情報工学科E-Mail: hf@cs.cchubu.ac.jpURL: http://www.vision.cs.chubu.ac.jp/TEL:0568-51-9096FAX:0568-51-1540〒487-8501 愛知県春日井市松本町1200統計的学習手法による物体認識の高精度化と効率化 / 中部大学工学部情報工学科 藤吉弘亘

×