1 / 22

4.2. Descripteurs : BoF et BoW

4.2. Descripteurs : BoF et BoW. Approche BagofFeatures (BoF). D’après Lazebnik (UNC). Comparaison des images. Score(i,j). d(F k,i ,F l,j ). Recherche des images similaires. - Mesure de similarité entre les descripteurs

gaetan
Download Presentation

4.2. Descripteurs : BoF et BoW

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. 4.2. Descripteurs : BoF et BoW

  2. Approche BagofFeatures (BoF) D’après Lazebnik (UNC)

  3. Comparaison des images Score(i,j) d(Fk,i,Fl,j)

  4. Recherche des images similaires • - Mesure de similarité entre les descripteurs (SIFT : distance L1, histogrammes – distance L1, coeff de Battacharyya, Ki-2,…, mesures assymetriques) - Score : nombre de descripteurs similaires au sens de la mesure de similarité choisie

  5. Recherche des images similaires

  6. Recherche des images similaires

  7. Stratégie de vote(1)

  8. Stratégie de vote(2) K=7 : inconvenients? Non-symétrique

  9. Stratégie de vote (3)

  10. Extension à la comparaison et recherche de la vidéo

  11. Stratégie de vote • Calcul de « bonnes » correspondances uniquement en considérant toutes les correspondances équivalentes. • Nécessité d’une similarité plus « sémantique » • Difficultés de « passage en échelle » - une grande quantité des appariements.

  12. Approche par Bag of Words BoW • Approches inspirées par • la recherche dans des bases de données textuelles • (R. Baeza –Yates, B. Ribero-Neto, Modern Information Retrieval, ACM Press, 1999) • la quantification viselle (codage) ( LindoBuso Gray) « Dictionnaires visuels »

  13. BoW(1) • « visage »,  »herbe », « bâtiment » ???? Lazebnik (UNC) conférence sur BoF, proposé par G. Szurka en 2004

  14. BoW(2) • 1. Extraction des descripteurs des éléments • 2. Construction de l’ensemble des descripteurs + +…

  15. BoW(3)

  16. BoW(4)

  17. BoW(5)

  18. Choix des éléments de l’imageet des descripteurs(1) • Vogel & Schiele, 2003 • •Fei-Fei & Perona, 2005 • Quenot et Ayache 2005, • Merialdo, Dumont 2008

  19. Choix des éléments de l’image et des descripteurs (2) Sivic & Zisserman 2005

  20. TF-IDF(1)

  21. TF-IDF(2)

  22. Méthodes de construction de dictionnaire • Algorithmes de groupement de données : • clustering • Le plus fréquement utilisé est l’algorithme des K-moyennes

More Related