関西CVPRML勉強会（特定物体認識） 2012.1.14

Bag-of-Featuresに基づく物体認識 (1)
－特定物体認識－

Akisato Kimura @ NTT CS Labs.
Twitter ID: @_akisato

特定物体認識とは？
 教科書によると
 画像内にある個別物体（＝インスタンス）を認識する処理
 物体の「見え」から物体IDへの変換を意味する

 …いや，これでは全然わかりません…

 要するに ↓↓↓ と見なすタスクが特定物体認識

＝

2 関西CVPRML勉強会 2012.1.14

一般物体認識と何が違うの？
 一般物体認識：物体のクラスを認識する処理

＝＝

 特定物体認識：インスタンスを認識する処理

＝ ≠


でも，区別は簡単ではない
 一般的には，どんな変動を吸収するか？で区別
 特定物体認識：
アフィン変換（回転・拡大縮小）・オクルージョン・
照明変動（に伴う見た目の色の変化）などを吸収
 一般物体認識：
物体インスタンスの多様性を吸収
 とすると，これらはどっち？


何の役に立つのか？
 特殊なマーカを使わずに実世界とwebとをつなぐ


ある程度は既にできています
 Google goggle
 http://www.google.com/mobile/goggles/
Landmark Book

Artwork Logo


一般的な実現方法

クエリ画像照合・検証出力

特
特徴
徴量
量 Visual words 表画像DB
抽（量子化テーブル）現（構造化索引集合）
出記
述

DB画像 Visual word
DB画像
DB画像索引付け
設計
（特徴量量子化）


実現における課題
1. 大規模データに対する高速処理 2. 各種変動に対する頑健処理
クエリ画像
→ 索引付け・照合で工夫 → 特徴抽出・特徴量表現で工夫出力
照合・検証

10K～ words 特
特徴
回転・拡大縮小・徴量～1sec
隠れ・色変化量 Visual words 表画像DB
抽（量子化テーブル）現（構造化索引集合）
出記
述～100G Bytes

DB画像 Visual word
DB画像
DB画像索引付け
設計
（特徴量量子化）
1M～ images

特徴量抽出
 どんな変動が起きても値が不変な特徴量が理想
 大域特徴量 or 局所特徴量
 大域特徴量：計算簡単，でも各種変動に弱い
 局所特徴量：計算大変，でも各種変動に強い
 特定物体認識における主流は，局所特徴量．

大域特徴量
（ex. 紫が多い）

局所特徴量
（ex. 特徴的な
黄色数字）


局所特徴量
 多くは（特徴点）検出＋（特徴量）記述で構成される
 局所特徴量の提案の多くは，検出と記述がセット
 実際に使われる際には，別々に検討することも多い
 再現性も識別性も高い方が望ましい
 再現性：各種変動が加わっても同じものを同じと見なせる
 識別性：異なるものを異なると見なせる

特徴点検出特徴量記述
各種変動に対して抽出した特徴点で
安定した特徴量が各種変動に対して
取れそうな箇所を安定した特徴量を
特定算出


局所特徴量の具体例
 原点
 [Schmid+ 1997], [Lowe 1999]
 検出の高精度化
 Harris-Laplace [Mikolajczyk+ 2001], MSER [Matas+ 2002],
Harris-Affine [Mikolajczyk+ 2004]
 大ブレイク
 SIFT [Lowe 2004], PCA-SIFT [Ke+ 2004]
 処理高速化
 SURF [Bay+ 2006], CARD [Ambai+ 2011] etc.
 色情報の考慮
 C-SIFT [Abdel-Hakim+ 2006] etc.


参考資料
 黄瀬，岩村 “3日で作る特定物体認識”，情報処理
学会誌，Vol.49，No.9，pp.1082-1089，2008
http://imlab.jp/IPSJ_3days/
 人工知能に関する断想録
http://d.hatena.ne.jp/aidiary/20091018/1255862734
 藤吉，安倍 “局所勾配特徴抽出技術”，精密工学会
誌，Vol.77, No.12, pp.1109-1116, 2011


関西CVPRML勉強会（特定物体認識） 2012.1.14

More Related Content

Similar to 関西CVPRML勉強会（特定物体認識） 2012.1.14

More from Akisato Kimura

関西CVPRML勉強会（特定物体認識） 2012.1.14