1 / 18

CV-Reading Appearance-based Keypoint Clustering

CV-Reading Appearance-based Keypoint Clustering. 伊原有仁. はじめに. Appearance-based Keypoint Clustering F.J.Estrada , P.Fua , V.Lepetit , and S.Ausstrunk CVPR2009 キーポイントのクラスタリング 特徴の類似度算出法 セグメンテーションの問題をキーポイントの クラスタリングへ展開. Movie. 提案手法の流れ. １：入力画像から特徴点検出 ２：特徴点を中心とした各パッチから色と テクスチャ特徴の抽出

elia
Download Presentation

CV-Reading Appearance-based Keypoint Clustering

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-ReadingAppearance-based Keypoint Clustering 伊原有仁

  2. はじめに • Appearance-based Keypoint Clustering • F.J.Estrada, P.Fua, V.Lepetit, and S.Ausstrunk • CVPR2009 • キーポイントのクラスタリング • 特徴の類似度算出法 • セグメンテーションの問題をキーポイントの クラスタリングへ展開

  3. Movie

  4. 提案手法の流れ １：入力画像から特徴点検出 ２：特徴点を中心とした各パッチから色と テクスチャ特徴の抽出 ３：類似度の算出と空間射影(spectral embedding) ４：Mean-shiftによるクラスタリング

  5. 特徴量：色情報 • カラーヒストグラム • RGB色空間

  6. 特徴量：テクスチャ情報 • 共分散行列ベース ここで パッチ内のピクセルjに対する１次微分，２次微分 ：平均ベクトル ：パッチ内のピクセル数

  7. 提案手法の流れ １：入力画像から特徴点検出 ２：特徴点を中心とした各パッチから色と テクスチャ特徴の抽出 ３：類似度の算出と空間射影(spectral embedding) ４：Mean-shiftによるクラスタリング

  8. 類似度の算出 • カラー情報の類似度算出 • テクスチャ情報の類似度算出 • パッチ間の固有値の和 ：カラーヒストグラムの距離 ：平均ベクトル

  9. 類似度の評価 • カラー情報とテクスチャ情報の組み合わせ ：パッチ間のユークリッド距離 ：重み

  10. パラメータ設定 • 設定パラメータ • 重みσ:0.3 • カラーヒストグラムのビン数:15 • パッチサイズ:11x11 F値によって設定 Pは適合率，rは再現率 Fが最大となるパラメータ

  11. クラスタリング • 空間射影(Spectral embedding)＊付録参照 • 類似度 を使用しグラフを作成 • 同じクラスタに属する要素の類似度を強調 • PCAのようなもの • Mean-shift

  12. クラスタリング実験 • Ncuts(Normalized cuts)との比較 • グラフに基づいたクラスタリングアルゴリズム • Spectral embeddingと関連 • BSD(Berkely Segmentation Database) • 250枚

  13. クラスタリング結果1 • 提案手法：0.6613の正解率 • Ncuts：0.5279の正解率

  14. クラスタリング結果2 • 正解率の差によってソート 提案手法では，250枚の画像に対し，200枚以上，正解率が高い

  15. トラッキングへの展開1 • 物体にキーポイントが少ない場合 • (a):SIFT,(b):提案手法を用いたSIFT

  16. トラッキングへの展開2 • 非剛体に対するトラッキング • (a):SIFT,(b):クラスタリング,(c):提案手法を用いたSIFT

  17. 照明と視点変化 • (a):SIFT,(b):提案手法を用いたSIFT

  18. おわりに • Appearance-based Keypoint Clustering • キーポイントの安定したクラスタリング • 色とテクスチャを用いたパッチ間の類似度算出法 • Spectral embeddingとmean-shift • 制約のない環境下における高精度なマッチング

More Related