1 / 42

以支援向量分類為依據之影片場景分割

以支援向量分類為依據之影片場景分割. 研究生 ： 高志邦 指導教授：蔣依吾博士 中山大學資訊工程學系. 場景變化主要形式. 突然場景變化 ( Abrupt cut) 緩慢場景變化 (Gradual transition). 淡入、淡出 (fade in 、 fade out) ： 淡入：逐漸顯示出影像 淡出：影像逐漸消失 溶解 (Dissolve) ：淡入淡出同時進行. Dither transition ： 變換過程中，原始影格依照特定圖形樣式消失，而被目的影格所取代. Wipe ： 變換過程中，影格的邊界有所移動

odele
Download Presentation

以支援向量分類為依據之影片場景分割

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. 以支援向量分類為依據之影片場景分割 研究生：高志邦 指導教授：蔣依吾博士 中山大學資訊工程學系

  2. 場景變化主要形式 • 突然場景變化 (Abrupt cut) • 緩慢場景變化 (Gradual transition)

  3. 淡入、淡出(fade in、fade out)： 淡入：逐漸顯示出影像 淡出：影像逐漸消失 • 溶解 (Dissolve)：淡入淡出同時進行

  4. Dither transition： 變換過程中，原始影格依照特定圖形樣式消失，而被目的影格所取代

  5. Wipe： 變換過程中，影格的邊界有所移動 horizontal wipe diagonal wipe

  6. Push： Wipe 之變形，原始影格是被推擠出去，而不是被取代 1 2 3 4

  7. 更多緩慢場景變化過程

  8. 利用相鄰影格差異 • Zhang[1993], 色彩直方圖,兩個門檻值

  9. Han(2003), 線性回歸法與相關係數

  10. Cernekova[2002], 交互信息(mutual information)和聯合熵(joint entropy) • Mutual information => abrupt cut Joint entropy => gradual transition

  11. 利用特徵點 • Gong[2000] • 空間轉換-> 主值分析法 • 資料分群

  12. 利用統計模型 • Fernando[1999] • 溶解(dissolve)：平均值 -> 線性 變異數 -> 二次式

  13. Dan[2003] • 使用I、P影格的DC係數來計算 • 高斯分布Ν(μ,Σ) - Abrupt cut:μ值變動 - Gradual transition: μ,Σ值變動

  14. 利用motion vector • Wang[1997], 統計移動向量分布情形

  15. 利用Mpeg的macro-blocks • Kobla[1996] • 統計P、B影格中，不同類型之macro-blocks數目

  16. 主值分析法 • Principal Component Analysis • 找出“主要成份” - 降低資料複雜性 - 去除雜訊

  17. (a) (b) (c)

  18. 支援向量分類 • 峰值效應(Small sample size effect)

  19. 線性可分割 • Vapnik[1982] => 找尋最佳的超平面

  20. 線性不可分割 => 失敗

  21. Benhur[2000] • 支援向量分類(support vector clustering) => 轉換至高維度空間，且轉換函數非線性

  22. 原始資料X轉換至較高維度的空間 =>用最小半徑R之圓球包住所有資料點 a為圓球中心 加入一可調變數ξi

  23. 二次規劃問題：引入Lagrangian 分析： (1)βj=C => 位於球體外，稱作bounded support vector (BSV) (2)當0<βj< C => 位於球體邊界，稱作support vector (SV)

  24. 距球心距離 高斯型態核心函式 q = (a)0.005 (b)0.05 (c)0.2 (d)0.5

  25. 研究步驟 • 空間轉換 • 資料中心化

  26. 建立資料矩陣 • 產生共變異數矩陣 • 計算特徵值與特徵向量 • 選擇空間的維度 • 投影至空間，得到特徵點

  27. 資料分類 • 設定初始類別： • 前二張影格當作第一個群集，作SVC • 輸入下一組資料，計算球體半徑，並判斷是否產生新的群集： • 判斷依據=> 球體半徑之變化

  28. 起始半徑：控制參數q，讓起始半徑在一小區間起始半徑：控制參數q，讓起始半徑在一小區間

  29. 3. 分析曲線變化 • 對半徑變化圖作一次微分

  30. 突然場景變化 => ，產生新群集 • 緩慢場景變化

  31. 簡化計算複雜度 • 新輸入資料和舊球體之支援向量作SVC

  32. 實驗結果 • 效能評估

  33. 比對方法 • Gong, 利用特徵點, PCA • Han, 線性回歸法, Regression

  34. 結論 • SVC能對特徵點分布情形作良好描述 • 未來工作: 建立動態門檻值

More Related