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
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 t
results on the Caltech various scenarios. The third Fig. 6. various scenarios. The third
es. 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. 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