IS2-06 第21回画像センシングシンポジウム横浜 2015年6月画像をスーパーピクセルに変換する手法として SLIC[5] を用いる Achanta らによって提案された SLIC 2.2 グラフマッチングは K-means をベースにした手法で単純な K-means にいる SPIN

Size: px

Start display at page:

Download "IS2-06 第21回画像センシングシンポジウム横浜 2015年6月画像をスーパーピクセルに変換する手法として SLIC[5] を用いる Achanta らによって提案された SLIC 2.2 グラフマッチングは K-means をベースにした手法で単純な K-means にいる SPIN"

えりかささおか
5 years ago
Views:

1 Cosegmentation {tamanaha, Abstract Cosegmentation Cosegmentation Cosegmentation 1 Never Ending Image Learner[1] Google Cosegmentation Cosegmentation Rother [2] Cosegmentation Vicente [3] Random Forest Meng [4] Cosegmentation Cosegmentation Yu [11] Cosegmentation IS

2 IS2-06 第21回画像センシングシンポジウム横浜 2015年6月画像をスーパーピクセルに変換する手法として SLIC[5] を用いる Achanta らによって提案された SLIC 2.2 グラフマッチングは K-means をベースにした手法で単純な K-means にいる SPINAL は Aladag らによって提案されたタンよるスーパーピクセル化との相違点として初期化時パク質間相互作用ネットワークのマッチングを目的とにクラスタの中心を色の勾配が緩やかな場所に移動すしたアルゴリズムでバイオインフォマティクスの分グラフ化した画像のマッチングには SPINAL[6] を用るという点と各クラスタごとに走査するピクセルの野において IsoRank[7] MI-GRAAL[8] など他の手法数に制限があることが挙げられるより高いスケーラビリティを持つことが示されているスーパーピクセル化された画像をグラフで表現すると形の情報は失われてしまうため各スーパーピク SPINAL はグラフの全ての頂点についてマッチングを求める大域的なマッチングアルゴリズムであるセルの形状が均一である方が元の画像を良く表現して SPINAL は入力グラフを G1 = (V1, E2 ) G2 = いるグラフになると考えられる SLIC でスーパーピク (V2, E2 ) と置いたとき以下の目的関数 global network alignment score を最大化するアラインメントネットワーク A12 = (V12 E12 ) を求める GN AS(A12 ) = α E12 + (1 α) seq(ui vj ) セル化された画像は他のスーパーピクセル化の手法に比べ各スーパーピクセルが同じような形状になり易い傾向があるためグラフマッチングに基づいた手法においては有効性が高いと考えられる ui vj 全ての入力画像をスーパーピクセルへ変換し各スー (1) パーピクセルをそれぞれグラフの頂点とする頂点間ここで E12 は E12 のサイズ seq(ui vj ) は二つの頂の類似度として各頂点に対応するスーパーピクセル点間の類似度を表し ui V1 vj V2 である V12 は内に含まれる SIFT 特徴量の平均ベクトル間の類似度頂点対 ui vj の集合で頂点間のマッチングを表を用いるしており任意の二つの頂点対 ui vj V12 と u i 図 1 は icoseg[9] のデータセットの画像をスーパーピ vj V12 において ui = u i かつ vj = vj であるアクセルに変換したもの (二段目) とグラフ化したもの (三ラインメントネットワークの辺は (ui u i ) E1 かつ (vj 段目) をそれぞれ表しているここから更に左右のグラ vj ) E2 のとき ( ui vj u i vj ) E12 とフ間でマッチングを行い左右の画像間で共通していして存在するる物体である熊の前景を抽出することが最終的な目標 SPINAL は頂点 ui と vj 間の近傍の類似度を計算する Coarse-grained フェーズとアラインメントネットワーとなるクを構築する Fine-grained フェーズの二つのフェーズで構成される Coarse-grained フェーズでは各頂点対 ui vj について ui の近傍と vj の近傍をそれぞれ独立集合とした重み付き完全二部グラフ N BG を構築しその最大重みマッチングを基に各頂点の近傍の類似度を計算する図 2 に Coarse-grained フェーズの処理を示す Fine-grained フェーズでは V12 に含まれていない頂点対のうち近傍間の類似度が最大のものについて N BG を構築しその最大重みマッチングを求めマッチングに含まれていない辺の端点の集合についてさらに N BG を構築して同様の処理を繰り返す Seed-and-Extend 戦略に基づいた手法でアラインメントネットワークを求める図 3 に Fine-grained フェーズの処理を示す 2.3 前景を表現する部分グラフの抽出 SPINAL によるグラフマッチングで得られたアライ図 1 画像グラフ化するまでの流れ一段目が元画像二段目がスーパーピクセルに変換した画像三段目がグラフ化したものをそれぞれ表しているンメントネットワークから入力された複数の画像間で共通する前景を表現するような部分グラフを抽出するアラインメントネットワークを深さ優先探索によって連結成分分解しそれぞれの連結成分を SPINAL の目的関数 (1) で評価するその結果得られた最もスコアの大きい連結成分を前景を表現する部分グラフと見なす IS

3 2.4 Rother Grabcut[10] Grabcut Coarse-grained (1) (2) (3) 3.1 icoseg[9] 1 Ground Truth true positive true negative 1 icoseg (%) Grabcut [11] Fine-grained Coarse-grained (1) (2) (3) (4) (5) 1 1 Grabcut (1) 3.1 icoseg IS

4 2 (%) Cosegmentation icoseg Cosegmentation [3] S. Vicente et al. Object Cosegmentation. In Proc. of IEEE CVPR, [4] F. Meng et al. Object Co-Segmentation Based on Shortest Path Algorithm and Saliency Model. ACM Trans. Multimedia, vol. 14, no. 5, pp , [5] R. Achanta, A. Shaji, K. Smith, A. Luchi, P. Fua, and S. Susstrunk. SLIC: Superpixels Compared to State-of-the-art Superpixel Methods. IEEE Trans. PAMI, vol. 34, no. 11, pp , [6] A. E. Aladağ et al. SPINAL: scalable protein interaction network alignment. Bioinformatics, vol. 29, no. 7, pp , [7] R. Singh et al. Global alignment of multiple protein interaction networks with application to functional orthology detection. Proc. Natl. Acad. Sci. USA, vol. 105, no. 35, pp , [8] O. Kuchaiev et al. Integrative network alignment reveals large regions of global network similarity in yeast and human. Bioinformatics, vol. 27, no. 10, pp , [9] D. Batra et al. icoseg: Interactive co-segmentation with intelligent scribble guidance. In Proc. of IEEE CVPR, [10] C. Rother et al. GrabCut - Interactive foreground extraction using iterated graph cuts. In ACM Trans. Graphics, vol. 23, no. 3, pp , [11] H. Yu et al. Unsupervised cosegmentation based on superpixel matching and Fastgrabcut. In Proc. of IEEE ICME, [1] X. Chen et al. NEIL: Extracting Visual Knowledge from Web Data. In Proc. of IEEE ICCV, [2] C. Rother et al. Cosegmentation of Image Pairs by Histogram Matching - Incorporating a Global Constraint into MRFs. In Proc. of IEEE CVPR, IS

5 IS2-06 図4 第21回画像センシングシンポジウム横浜 2015年6月提案手法によって抽出された物体領域各クラスの画像が四枚組みになっており左の二枚が元画像右の二枚が抽出された共通する物体の領域をそれぞれ表している IS

Microsoft PowerPoint - pr_12_template-bs.pptx

Microsoft PowerPoint - pr_12_template-bs.pptx 12 回パターン検出と画像特徴テンプレートマッチング領域分割画像特徴テンプレートマッチング 1 テンプレートマッチング ( 図形画像などの ) 型照合 Template Matching テンプレートと呼ばれる小さな一部の画像領域と同じパターンが画像全体の中に存在するかどうかを調べる方法画像内にある対象物体の位置検出物体数のカウント物体移動の検出などに使われるテンプレートマッチングの計算