スライド 1

Size: px

Start display at page:

Download "スライド 1"

みさきよどぎみ
5 years ago
Views:

5 Randomized Trees

6 CV 1: [Lepetit et al., 2006]

7 CV 2: [Shotton et al., 2008]

8 CV 3: [Amit & Geman, 1997] [Moosmann et al., 2006] [ et al., 2010]

CVへの応用例4: TomokazuMitsui パーツベースの人検出 [三井 et al.

提案手法における学習と識別の流れのサブセットに分けるネガティブサンプルについては提案手法 N

ブクラスの各パーツには 0 5 ネガティブクラスには 6 のクラスが与えられるこれらのサンプルを用いて 2 章

9 CVへの応用例4: TomokazuMitsui パーツベースの人検出 [三井 et al., 2011] 人の領域をパーツに分割し RTsによるマルチクラス識別器を構築図 3 提案手法における学習と識別の流れのサブセットに分けるネガティブサンプルについては提案手法 N 個のパーツ全てにネガティブクラスとして N 番目のクラスを与える提案手法では N=6 であるためポジティブクラスの各パーツには 0 5 ネガティブクラスには 6 のクラスが与えられるこれらのサンプルを用いて 2 章で示す Randomized Trees のアルゴリズムに従いマルチ図 2 提案手法における学習サンプルの分割従来法クラス識別器を構築する決定木の各末端ノードは 7 クれる以下より提案手法によるパーツベースへの拡張と学習識別について述べる 3.1 パーツベースへの拡張図 8 人検出例ラスの分布を持つこととなる 3.3 識別識別の流れを図 3(b)に示す入力された未知サンプ

10 Randomized Trees

13 D C tree1 treet

14 Randomized Trees I T tt J jjj j j

15 I i I vi ci T I I1 I2 IT

16 I I1 I2 IT

17 Randomized Trees I T tt J jjj j j

19 p S i!"#$%&i&'"($)&*+,-.&p (21!21 "#!$%&'#('$!"$)#*$(+&,' f(p) = P x1,y 1,c 1 f(p) = P x1,y 1,c 1 + P x2,y 2,c 2 f(p) = P x1,y 1,c 1 P x2,y 2,c 2 f(p) = P x1,y 1,c 1 P x2,y 2,c 2 S(v) = left f(v) <t right otherwise f : t : J. Shotton ICVSS tutorial

20 ft 1.0 Freq {(2, 0.1)1, ( 993, 0.3 )2, ( 6, 0.2 )3, ( 999, 0.2 )4,..., ( 4, 0.3 )J} J = ( 1000) 32 [Breiman 01]

21 Randomized Trees I T tt J jjj j j

22 I l = {i I n f j (v i ) <t j } Il : I r = I n \ I l Ir : ΔE E j = I l I n E(I l) I r I n E(I r) E :

23 1 2 y : 4 3 : 4 33 x

24 1 y y Il 1 Ir x Pl (c) Pr (c) n : E(I) = P i log 2 P i i=1 E(I l )=1.10 E(I r )=1.10 : E = I l I n E(I l) I r I n E(I r) = 1.10 x

25 2 y x y 2 Pl (c) Pr (c) n : E(I) = P i log 2 P i E(I l )=1.0 Il Ir E(I r )=1.0 i=1 : E = I l I n E(I l) I r I n E(I r) = 1.0 x

26 3 1 y y 3 Ir x Pl (c) Pr (c) n : E(I) = P i log 2 P i i=1 E(I l )=1.16 E(I r )=1.21 Il : E = I l I n E(I l) I r I n E(I r) = x

27 4 y 1 2 : 4 3 : 4 33 E 1 = 1.10 E 2 = 1.0 max E 3 = x

28 Randomized Trees I T tt J jjj j j

30 Ir Il y Il Ir x Pl (c) : E(I) = E(I l )=0.0 E(I r )=0.0 Pr (c) n P i log 2 P i i=1 : E = I l I n E(I l) I r I n E(I r) =0.0

31 y x 3

32 Pn (c) In IT C

33 Randomized Trees I T tt J jjj j j

34 T v v tree t 1 tree t T P 1 (c v) Average + + C i P t (c v) P (c v) = 1 T = arg max c i T 8 T P t (c v) t=1 1 P (c i v)

35 I i Ici ξ c = [c = c i ] i I 1 C

36 RTs

37 480 ΔE 0.68 x

38 ΔE 0.04 x 233

39 ΔE 0.23 y 227

40 () ΔE 0.0 x 256

43 SIFT Sinha, Sudipta: SIFT-GPU 2006 Bay et al.: SURF Lowe: SIFT Ke, Sukthankar: PCA-SIFT 2004 Mikolajczyk, Schmid: GLOH 2005

46 SIFT SURF SIFT SURF OpenCV2.1 SIFT-GPU

47 SIFT Lepetit, Fua: RTs 2006 Sinha, Sudipta: SIFT-GPU 2006 Bay et al.: SURF Lowe: SIFT Ke, Sukthankar: PCA-SIFT 2004 Mikolajczyk, Schmid: GLOH 2005

49 Keypoint Recognition using Randomized Trees [Lepetit et al., 2006]

51 LoG

52 Iσ R R

53 R LoG 50 R [pixel] 100

57 x, y : x, y :

59 Randomized Trees N

60 32 32 入力力 1 2 N = c

62 2 m P Iσ

63 4 m P Iσ

64 SIFT v u o u,v 4 4 o

68 SIFT 18 5

69 SiftGPU 19 6

70 SURF 25 13

71 Randomized Trees 38 38

73 Randomized Trees

75 [, et al., 2010] ViewpointKeypointRandomized Trees

76 :Randomized Trees

77 :Randomized Trees

78 z

80 Viewpoint

81 1 :Viewpoint Randomized Trees

82 1 :Viewpoint Randomized Trees

83 1Viewpoint

84 1Viewpoint

85 2 :Keypoint Randomized Trees T Viewpoint T Viewpoint 2 K K K T2 2 1 K K K Viewpoint K

86 2 : Keypoint

88 RTs ASIFT RTs SURF SIFT

90 Fast Keypoint Recognition using Random Ferns [Özuysal et al.,2010] Ferns ()

91 Ferns 1 Fern ci (011)2 = (101)2 = (010)2 = (011)2 = 3 ci

92 Ferns 2 Ferns c1 c2 c3 Fern 1 Fern 2 Fern T

93 Ferns Ferns c1 c2 c3 (010)2 (110)2 (011)2

94 Randomized Trees

95 1

96 2

97 3

[1] SBS [2] SBS Random Forests[3] Random Forests ii

[1] SBS [2] SBS Random Forests[3] Random Forests ii Random Forests 2013 3 A Graduation Thesis of College of Engineering, Chubu University Proposal of an efficient feature selection using the contribution rate of Random Forests Katsuya Shimazaki [1] SBS