第17回関西CVPRML勉強会 (一般物体認識) 1,2節

1,789 views

Published on

Published in: Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,789
On SlideShare
0
From Embeds
0
Number of Embeds
12
Actions
Shares
0
Downloads
14
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

第17回関西CVPRML勉強会 (一般物体認識) 1,2節

  1. 1. Bag-of-Features に基づく物体認識(2) 一般物体認識 1.はじめに 2.一般物体認識とは 関西CVPRML勉強会 2012/02/18 川西康友 (@yasutomo57jp ) *スライド中で適当にGoogle画像検索で拾ってきた画像を使用しています
  2. 2. 背景デジカメの普及・Webへのアップロード 大量の画像データがWeb上に存在 (Picasaから引用)でも・・・ 画像の整理は超大変 自動的にできたら嬉しい 人手でタグ付け EXIF, GPS情報を元にタグ付け
  3. 3. 一般物体認識 意味カテゴリーを画像から認識する研究 一般的なシーンの意味カテゴリー 画像に含まれる物体の意味カテゴリー 空養鶏場の写真 山 森 鶏 鶏舎 田舎だと一般的なシーン
  4. 4. 一般物体認識40年以上前から研究されている人間 数万種類の対象を認識できる計算機 数種類でも自動的に特定することは困難 現状では… 実用化レベル:人間の正面顔認識程度 計算機にとって非常に難しい問題の一つ
  5. 5. 何が難しいの?同一カテゴリーに含まれる画像の範囲が広い 見た目変化の大きさ・他カテゴリーとの類似 「A」という文字認識 「ラーメン」という一般物体認識A A AA A AC B 意味カテゴリーをどのように定義するのかが重要
  6. 6. 何が難しいの?撮影した環境が統制されていない 「ラーメン」という一般物体認識「画像の真ん中にどかんとラーメンが写っている」という環境環境が統制されているのでまだ認識できそうだが…
  7. 7. 何が難しいの?撮影した環境が統制されていない 「ラーメン」という一般物体認識
  8. 8. 難しさ「一般的な名称」が表すカテゴリーの広さ特定の制約下で撮影されたものではない画像画像処理・認識問題としては以下が困難 特徴抽出 認識モデル構築 学習データセット構築
  9. 9. どういう処理の流れ?学習フェーズ カテゴリ分の認識画像セットを用意 特徴抽出 学習フェーズ 認識フェーズ 分類器の学習 学習用画像セット 未知の画像認識フェーズ 未知の画像を用意 特徴抽出 特徴抽出 特徴抽出 分類 分類器の学習 分類 分類結果
  10. 10. 何ができるの?画像全体のカテゴリー分類 養鶏場の写真 田舎だと一般的なシーン
  11. 11. 何ができるの?画像のアノテーション 空 山 森 鶏 田舎だと一般的なシーン
  12. 12. 何ができるの?画像ラベリング 空 山 森 鶏 地面 田舎だと一般的なシーン
  13. 13. 何ができるの?カテゴリー物体検出 鶏はどこですか? 田舎だと一般的なシーン
  14. 14. 何ができるの?カテゴリー領域抽出 鶏の領域は? 田舎だと一般的なシーン
  15. 15. 近年の技術的進歩(1) 新しい画像表現・特徴量 3節(2)機械学習手法の進歩 4,5節(3)Webによるデータセット構築の容易化 7節(4)計算機の高速化・大容量化Web上での公開 ソフトウェア データセット研究を始めやすい環境→研究が加速
  16. 16. 詳細は…以降の発表で明らかに! 今回の私の発表はここまでです

×