TextonBoost:Joint Appearance, Shape and Context Modeling for Multi-Class Object Recognition and Segmentation 伊原有仁 はじめに 一般物体認識 TextonBoost:Joint Appearance, Shape and Context Modeling for Multi-Class Object Recognition and Segmentation [J.Shotton et al. ECCV’06] CRFモデルの作成 Alpha-expansion graph-cut algorithmによるセグメンテーション TextonBoost Image Database Microsoft Researchで提供されている591枚の画像 学習用画像 45% 検証用画像 10% テスト用画像 45% 21クラスに分類 Building, grass, tree, cow, sheep, sky, aeroplane, water, face, car bike, flower, sign, bird, book, chair, road, cat, dog, body, boat 手作業でラベル付け TextonBoost Conditional Random Field モデルの作成 shape, texture, color, location, edgeの情報を1つの モデルとして扱う TextonBoost Shape-texture potentials(1/3) Texton 17種類のfilter bank 出力値を用いたマハラノビス距離による k-meansクラスタリング Texton mapの生成 TextonBoost Shape-texture potentials(2/3) Texton mapから特徴量抽出 Shape filterの使用(Integral imageによる効率化) 矩形領域 ｒ にtexton t がどれだけ存在しているか 矩形領域の面積をA i1→A，i2→0，i3→A/2 TextonBoost Shape-texture potentials(3/3) Textonの位置による特徴量の変化 TextonBoost Joint Boosting(1/2) マルチクラス識別器の構築 注目クラスは残りのクラスに対して弱識別器を構築 TextonBoost Joint Boosting(2/2) マルチクラス識別器の構築 評価値の算出 重みの更新 TextonBoost Color potentials Gaussian Mixture Model CIELab パラメータの算出 TextonBoost Edge potentials Pottsモデル 近傍ピクセルが異なるラベルであるか調べる TextonBoost Location potentials 絶対位置における確率(LUTで保持) 例：skyなら画像の上の方に反応がある TextonBoost Sub-sampling メモリの軽減 設定したグリッド上を計算 – 3×3, 5×5 TextonBoost Random feature selection 特徴量をランダムで選択 精度の保持と学習の高速化 TextonBoost セグメンテーション 最大化するラベルｃの決定 Alpha-expansion graph-cut algorithm TextonBoost 実験：Boosting accuracy (a) 弱識別器の数とエラー (b)弱識別器の数と精度 276枚の学習用画像 学習回数5000回 特徴量選択有：42時間 特徴量選択無：14,000時間 TextonBoost 実験：Object class recognition and segmentation TextonBoost 実験：セグメンテーションと認識精度&速度比較 Unary classifier only において有効 Texton Boostは効果的 TextonBoost セグメンテーション失敗例 TextonBoost クラス毎の精度 全体の精度は72.2% TextonBoost 異なるデータベースによる出力例 異なるデータベースにおいても認識可能 TextonBoost 各モデルの出力例 CRFモデルにおいて各モデル毎の結果 (a) 入力画像 (b) 識別器のみ(Shape-texture) (c) Colorモデルなし (d) 全てのモデルを使用 TextonBoost おわりに Texton Boost appearance, shape, context情報を同時に捉える特徴量 Boostingとピクセルごとの効果的な学習法 特徴量の共有とIntegral imageの組み合わせによるラベリング 意味のあるcontext情報の追加 物体の構造 object ‘parts’ TextonBoost
© Copyright 2024 ExpyDoc
