第６回CV勉強会資料

1. 第６回CV勉強会
物体認識のための画像局所特徴量
3.6, 3.7, 3.8, 4章
presented by takmin

2. 3.6. 第二世代特徴量の比較実験
• 以下の４種類の特徴量の比較実験
– Haar-Like特徴量
– EOH特徴量
– Edgelet特徴量
– HOG特徴量

3. 3.6.1 実験概要
• 顔データセット
– 学習： Webから収集した5000枚
– 評価：MIT+CMU Frontal Face Image

4. 3.6.1 実験概要
• 車データセット
– 学習： UIUC Cars
– 評価： UIUC Cars

5. 3.6.1 実験概要
• 人データセット
– 学習： INRIA Person Dataset
– 評価： USC Pedestrian Detection Test Set

6. カスケード型物体検出器
全ての探索窓
１ ２ ３ 更なる処理
拒否された探索窓
TRUE TRUE TRUE
FALSE FALSE FALSE
• 各ステージはAdaBoostを用いた強識別器。
• 弱識別器として、それぞれの特徴量を用いる

7. 3.6.2 評価方法
検出対象数
検出した正解数
検出率
評価用画像数
誤検出した数
平均誤検出率
(66)
(67)
• 検出率と平均誤検出率はトレードオフ（ROCカーブ）
• グラフの左上ほど検出器の性能は高い

8. 実験結果（顔）
Haar-like特徴が優秀！
顔の器官は誰でも同じような位置にあるため。

9. 実験結果（車）
どの特徴量も優秀！
形状変化が少なく、テクスチャの多様さも少ない。

10. 実験結果（人）
HOG特徴量が優秀！
姿勢による形状変化が大きく、テクスチャも多様
なためエッジに着目したものが強い

11. 選択された特徴量
ブースティングは多数の特徴量候補の中から識別に有
効な特徴を自動的に選択できる。
顔データに対して選択されたHaar-like特徴量の一部

12. 3.7 第三世代の特徴量の比較実験
• 以下の４種類の特徴量の比較実験
– HOG特徴量（第二世代）
– Shapelet特徴量
– Joint HOG特徴量
– 共起確率特徴量
• 実験画像
– 人画像データセット
• 人領域は学習画像/試験画像共に切り取り済み
• 検出ではなく、「人かどうか」というカテゴリ判別

13. 3.6.2 評価方法
人画像数
画像数人として判定された人
検出率
背景画像数
画像数人として判定された人
誤検出率
(68)
(67)
• 検出率と誤検出率はトレードオフ（ROCカーブ）
• グラフの左上ほど検出器の性能は高い

14. 3.7.3 実験結果（ROCカーブ）

15. 3.7.4 選択された特徴量

16. 3.8 物体検出に有効な特徴量まとめ
第二世代

17. 3.8 物体検出に有効な特徴量まとめ
第三世代

18. 4. まとめ
• SIFT
– 画像の拡大・縮小、回転、スケール変化、照明変
化に頑健な特徴量
– SIFTの拡張
• PCA-SIFT, GLOH, SURF
• 物体検出
– 第一世代：画像全体の特徴、第二世代：局所的
な特徴、第三世代：局所特徴の共起関係
– 検出対象によって得意な特徴量は違う

19. 最後に
• 図は，藤吉研の各種資料を使用させていた
だきました。
– http://www.vision.cs.chubu.ac.jp/04/index.html