Mais conteúdo relacionado

Apresentações para você(17)

Similar a 20120623 cv勉強会 shirasy(20)

Mais de Yoichi Shirasawa(18)


20120623 cv勉強会 shirasy

  1. CVPR読み会 2012.06.23 CV勉強会@関東(第20回) 紹介する論文テーマ: Icon Scanning : Towards Next Generation QR Codes shirasy 本資料は、以下の学会発表論文を引用しております。 I. Friedman and L. Zelnik-Manor: Icon Scanning: Towards Next Generation QR Codes ,CVPR2012(2012) 1
  2. 自己紹介 最近、参加している活動 写真関連 CV関連 デザイン関連 2
  3. 本論文に関心を持ったきっかけ 下記記載に関心を持ち、本論文を選択 The first contribution of this paper is a novel algorithm for automatic detection of icons in a snapshot This removes the need for manually marking the icon’s boundary, thus, facilitating significantly the user experience. 実際に体験することが可能 : 「eyeconit」 利用時の体験としての「eyeconit」の比較の対象となるアプリ ⇒iPhone標準アプリの「App Store」 3
  4. 本論文の概要 “In this paper we have described a practical novel solution for automatic icon scanning. Our system first detects the icon with a high success rate with no false alarms - doing all that in real-time. Next, the system recognizes the detected icon within the entire App-Store database in a few seconds.” ■研究のゴール: Future goal is to extend this and propose a more visually appealing alternative to QR Codes. 4
  5. 関連研究 アプリアイコンスキャナー 5
  6. 本論文に関心を持ったきっかけ 「eyeconit」 6
  7. 提案手法 処理内容 <アイコン位置の特定処理> ●処理内容 (1)エッジ抽出(色情報:RGB,HSV,Lab) (2)アイコンに対応する輪郭抽出 (3)アイコンに対応する輪郭特定 7
  8. 提案手法 処理内容 8
  9. 提案手法 処理内容 <アイコンの認識処理(1/2)> ●処理内容 (1) クラスタリング用の特徴量算出 ⇒色情報(Lab色空間)を考慮したSIFT特徴量(168次元) <アイコンの特徴に関するロバスト性向上のための工夫> 9
  10. 提案手法 処理内容 <アイコンの認識処理(2/2)> ●処理内容 (2) クラスタリング ・K-models clustring ・EM like approach for learning the best set of K models <撮影環境に関するロバスト性向上のための工夫> 10
  11. 補足:K-models clustring • As with K-means, the K in K-models denotes the number of clusters. • A single design feature is different between K-means and K-models, the replacement of proximity to a cluster center with minimal squared error for a model.(モデルの最小2乗誤差によるクラスタ中心の近接の交換の交換) D.Ashlock, J.A.Brown, and S.M.Corns. "K-models Clustering, a Generalization of K-means Clustering", 11 Intelligent Engineering Systems Through Artificial Neural Networks(20), pp. 485-492, 2010.
  12. 提案手法 処理内容 12
  13. Implementing a complete system Implemented in C++ and use openCV2.2 • The detection module requires 330ms on iPhone4 to processan image. • Once an icon has been detected its descriptor is computed (which takes 90ms) • The entire recognition process takes 4 seconds. 13
  14. 付録: 実利用状況 利用開始1週間後の感想: 利用シーン:主にPCでのブラウジングに、興味あるアプリを見つけた時に利用 アプリが手軽にダウンロードできることを期待して、このアプリを利用。 従来の同アプローチのアプリと比較し、ストレスは小さい。ただし、タスクが達 成できないことは少なからずある。 ⇒ タスク達成率という観点があるとしたら、50%ほど。 「App Store」と比べた時の「eyeconit」の利点は文字を入力しなくても良い 点に尽きる プライマリのタスク達成を確実とするため、画像処理による認識が失敗した 場合、文字でのクエリ入力を可能とすると良いのかもしれない。 (アプリのユーザエクスペリエンス(UX)視点で見た場合) 14
  15. 付録: 実利用状況 アプリのユーザコメント : ユーザにとっての良い体験を支える技術として、提案手法が活かされている模様 15
  16. 最後に ■将来的な研究のゴール Future goal is to extend this and propose a more visually appealing alternative to QR Codes. ■本論文に触れた感想 スマートフォン向けアプリの場合、「アプリ≒特定のタスクを達成するもの」と言 う事例が多い。 本論文では、特定のタスク達成を目的としたアプローチが取られているととも に、それを評価するためのシステム(アプリ:eyeconit)が運用されており、興味 深かった。 物体抽出・認識法の評価軸は、抽出精度や処理時間以外にもあると言うこ とを感じることができ良かった。 16