1 / 15

CV 輪講 Cluster Boosted Tree Classifier for Multi-View, Multi-Pose Object Detection の調査報告

CV 輪講 Cluster Boosted Tree Classifier for Multi-View, Multi-Pose Object Detection の調査報告. 藤吉研究室　土屋成光 2008 年 2 月 19 日. 背景. 既知クラスの物体検出 CV における基本的な問題 物体のアピアランス 照明，視点， articulation によって大きく変化 多くのバリエーションのサブカテゴリによって構成された物体クラス 一括した判別は困難 分断攻略的な戦略が必要 Boosting に基づくサブクラスタリングを用いた 　　高精度な一般物体認識フレームワーク.

carney
Download Presentation

CV 輪講 Cluster Boosted Tree Classifier for Multi-View, Multi-Pose Object Detection の調査報告

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. CV輪講Cluster Boosted Tree Classifier for Multi-View, Multi-Pose Object Detectionの調査報告 藤吉研究室　土屋成光 2008年2月19日

  2. 背景 • 既知クラスの物体検出 • CVにおける基本的な問題 • 物体のアピアランス • 照明，視点，articulationによって大きく変化 • 多くのバリエーションのサブカテゴリによって構成された物体クラス • 一括した判別は困難 • 分断攻略的な戦略が必要 • Boostingに基づくサブクラスタリングを用いた 　　高精度な一般物体認識フレームワーク

  3. Vector Boosted Tree • 視点によってサブクラス化 サブクラスは人間が教示

  4. Cluster Boosted Tree Classifier for Multi-View, Multi-Pose Object Detection(Bo et al. ICCV07) • 自動サブクラス化 • Real-Adaboostによる特徴選択 • edgelet (Bo et al. ICCV05) • ツリー構造 h

  5. 木構造識別器 • 例.3階層3チャネル • 特徴の共有 • サブクラス分割

  6. Boostによる空間分割 • サンプル空間 • 強識別器 • W：Positive，Negativeの確率密度分布（重み付きヒストグラム）

  7. サブクラス分類の評価 • Bhattacyaryya距離 • W：Positive，Negativeの確率密度分布（ヒストグラム） • if Z>閾値が3ラウンド then サブクラス化し再学習

  8. 学習過程 Relearn!

  9. 実験 • 人検出 • INRIAデータベース+自作データベース • 分割戦略 • 従来法（サブクラスなし） • 従来法（サブクラスあり） • 車両検出 • MITstreetDatabaseより切り出し • 4000枚の車画像

  10. 実験：分割戦略の比較 • 50, 100でサブクラス化 • 提案手法が最良 • 事後確率は有効でない

  11. 実験：従来法（サブクラスなし） • Dalalらの手法と比較 • INRIAset 従来法は特徴量が強力

  12. 実験：従来法（サブクラスあり） • VBTとの比較 • 独自データセット 人手によるサブクラスタリング ⇒必ずしも有効でない

  13. 車両検出精度の比較 • ほぼ同程度の性能

  14. 検出結果例

  15. おわりに • サブクラス化が多視点に有効 • 同一クラス内に複数の形状を持つ対象に対しても有効 ex.)車（セダン，トラック，バス）など • Boostingにより高精度に自動サブクラスタリング • 人手によるサブクラスタリング以上の性能 • ユーザはサブクラスを気にしなくてもよい

More Related