![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.
11 関西CVPRML勉強会 2012.1.14](https://image.slidesharecdn.com/120114kansaicvprmlakisato-120113095511-phpapp01/85/CVPRML-2012-1-14-11-320.jpg)
関西CVPRML勉強会（特定物体認識） 2012.1.14
- 1. 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
- 2. 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
- 3. 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 ＝ ≠ 3 関西CVPRML勉強会 2012.1.14
- 4. 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？ 4 関西CVPRML勉強会 2012.1.14
- 5. 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 5 関西CVPRML勉強会 2012.1.14
- 6. 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 6 関西CVPRML勉強会 2012.1.14
- 7. 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） 7 関西CVPRML勉強会 2012.1.14
- 8. 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 8 関西CVPRML勉強会 2012.1.14
- 9. 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） 9 関西CVPRML勉強会 2012.1.14
- 10. 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 10 関西CVPRML勉強会 2012.1.14
- 11. 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. 11 関西CVPRML勉強会 2012.1.14
- 12. 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 12 関西CVPRML勉強会 2012.1.14