Русинов Павел, 371 гр. Научный руководитель: к.ф.-м.н, доц. Вахитов А. Т.

1. Русинов Павел, 371 гр. Научный руководитель: к.ф.-м.н, доц. Вахитов А. Т. Снижение разрешения гистограммы ориентированных градиентов (HOG) для детекции объектов малого размера

2. Гистограмма ориентированных градиентов (HOG) Является необходимым преобразованием изображения в многомерный вектор для успешного использования классификатора

3. Вычисление HOG

4. SVM-классификатор • При обучении строится гиперплоскость, разделяющая объекты на классы • Гиперплоскость задается уравнением <w, x> = b • w — линейная комбинация опорных векторов, являющихся подмножеством обучающей выборки

5. Метод скользящего окна по нескольким масштабам

6. Метод скользящего окна по нескольким масштабам • При обработке изображения вычисляется до нескольких тысяч HOG • Является ресурсоёмкой задачей • Актуален поиск метода снижения вычислительной нагрузки

7. Подход к оптимизации • Получение из исходного классификатора новых классификаторов для окон меньших размеров • Их использование при детекции объектов малого размера на входном изображении

8. Постановка задачи • Изучить структуру HOG и алгоритм его получения, изучить алгоритм работы SVM-классификатора • Изучить существующие подходы к оптимизации метода скользящего окна • Разработать и реализовать алгоритм масштабирования HOG • Реализовать алгоритм масштабирования SVM-классификатора (с использованием предыдущего алгоритма)

9. Постановка задачи • Реализовать метод скользящего окна с использованием масштабированных классификаторов • Сравнить его с первоначальным методом

10. Существующие решения Каскадный HOG: • Используются блоки произвольных размеров • Вместо одного классификатора — каскад слабых классификаторов • Ускорение первоначального метода в 30 раз, потеря точности распознавания

11. Алгоритм масштабирования HOG • HOG преобразуется в набор изображений (размер набора = количеству значений в блоке, размер изображения = размеру HOG в блоках) • Каждое изображение интерполируется до нужного размера • Изображения преобразуются в HOG

12. Масштабирование SVM-классификаторов • Используется предыдущий алгоритм для масштабирования опорных векторов • В итоге получается классификатор для окон другого размера

13. Тестирование Алгоритм масштабирования SVM-классификатора был протестирован на базе изображений рукописных цифр MNIST. Точность распознавания изображений исходного размера (28x28) составила 99.5%

14. Тестирование На базе изображений пешеходов INRIA Person был протестирован метод скользящего окна, использующий уменьшенные классификаторы. Падение точности составило 4.6%, ускорение работы 40% Также был протестирован метод скользящего окна, использующий и уменьшенные, и увеличенные классификаторы. Падение точности составило 16.3%

15. Результаты Изучены алгоритмы вычисления HOG и работы SVM-классификатора Реализован алгоритм масштабирования HOG Реализован и протестирован алгоритм масштабирования SVM-классификатора Реализован и протестирован метод скользящего окна, использующий масштабированные классификаторы