La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Enver Sangineto, Dipartimento di Informatica Riconoscimento automatico di oggetti in immagini digitali.

Presentazioni simili


Presentazione sul tema: "Enver Sangineto, Dipartimento di Informatica Riconoscimento automatico di oggetti in immagini digitali."— Transcript della presentazione:

1 Enver Sangineto, Dipartimento di Informatica Riconoscimento automatico di oggetti in immagini digitali

2 p. 2 Panoramica della presentazione Motivazioni Problemi Principali approcci

3 p. 3 Riconoscimento di oggetti Lobiettivo di un sistema di object recognition è rilevare la presenza di oggetti dinteresse allinterno di immagini/video digitali Passo fondamentale per permettere ad un computer di capire cosa sta guardando

4 p. 4 Perchè riconoscere automaticamente gli oggetti di un'immagine Recupero/classificazione d'immagini in data base visivi (Image Retrieval): ricerche on-line, annotazione (automatica) video, organizzazione di archivi fotografici musei, e-commerce... Visione applicata alla robotica: manipolazione doggetti, navigazione guidata dalla visione

5 p. 5 Perchè riconoscere automaticamente gli oggetti di un'immagine [2] Video sorveglianza: rilevamento di intrusioni, … Biometria Interfacce uomo-macchina di tipo intelligente Guida automatica di veicoli su strada Visione industriale, medica, aerea, militare,... Altro…

6 p. 6 Object recognition è un problema aperto Non esistono sistemi general purpose

7 p. 7 Problemi principali nel riconoscimento di oggetti Variabilità delle apparenze Segmentazione della scena

8 p. 8 Variabilità: cambiamento del punto di vista Michelangelo

9 p. 9 Variabilità [2]: cambiamento delle condizioni di illuminazione

10 p. 10 Variabilità [3]: oggetti deformabili Xu, Beihong 1943

11 p. 11 Variabilità [4]: variazione intra-classe

12 p. 12 Segmentazione: Occlusioni Magritte, 1957

13 p. 13 Klimt, 1913 Segmentazione [2]: separazione dallo sfondo

14 p. 14 Approcci principali al riconoscimento Model-based Machine learning

15 p. 15 Ipotesi… Un solo oggetto per immagine Machine learning per rappresentare la conoscenza

16 p. 16 Riconoscimento tramite apprendimento automatico: schema generale Suppongo di disporre, in fase di training, di un insieme T = {(I 1, y 1 ), …, (I N, y N )}, dove I j è unimmagine e y j unetichetta che indica loggetto in essa contenuto: y j {o 1, …, o m }

17 p. 17 Riconoscimento tramite apprendimento automatico [2] Ogni I j è rappresentata tramite un punto x j in R n, detto spazio delle feature Utilizzo T per stimare la distribuzione statistica dei punti in R n e costruire il classificatore C

18 p. 18 Riconoscimento tramite apprendimento automatico [3] On-line, uso C per classificare unimmagine nuova I, non appartenente a T: C(I) {o 1, …, o m }

19 p. 19 Un semplice esempio Istogramma dellintensità dei pixel in I: Divido il range [0, 255] in n bin Assegno ogni pixel ad un bin: I(p) -> div n (I(p)) f(I) = (v 0, …, v n-1 ) T, dove: v i = # { p I : div n (I(p)) = i}

20 p. 20 Esempio [2] Rappresentazione di T in R n (n,m = 2)

21 p. 21 Esempio [3] Rappresentazione della nuova immagine (x = f(I))

22 p. 22 Rappresentazione di unimmagine mediante feature Una feature è una rappresentazione, tramite valori numerici, di tutta o parte dellimmagine Se I' è una sottoparte dellimmagine I, allora una feature f è t.c.: f(I') R d, f(I') = (v 0, … v d-1 ) T, d >= 1

23 p. 23 Feature globali e locali I' = I: feature globale I' I: feature locale

24 p. 24 Esempio: feature locale f i (I') I' I immagine presa da: Tutorial CVPR 07

25 p. 25 Scelta delle feature Limmagine in esame viene quindi descritta usando i valori di un insieme di feature pre- scelte f 1, …, f k

26 p. 26 Spazio delle feature Se: f j (I) R d (1 <= j <= k), allora: x(I) = (f 1 (I) T f 2 (I) T … f k (I) T ) T è un punto in R k*d (spazio delle feature)

27 p. 27 Proprietà (desiderabili) delle feature Stabilità, Capacità discriminative, Efficienza computazionale, …

28 p. 28 Proprietà (desiderabile) del feature space Punti geometricamente vicini corrispondono ad immagini simili

29 p. 29 Teoria Decisionale Bayesiana Data limmagine x e m classi di oggetti C 1, … C m, associare x alla classe più probabile Scelgo C j* tale che: Notazione abbreviata:

30 p. 30 Esempio Le probabilità sono stimate tramite training immagine presa da: Duda, Hart, Stork, Pattern Classification

31 p. 31 Metodi discriminativi Mirano a determinare i bordi di decisione (superfici iper-dimensionali) che meglio partizionano R n rispetto alle classi dinteresse

32 p. 32 Bordi di decisione: ese. monodimensionale c1c1 c2c2 c1c1 c2c2

33 p. 33 Bordo di decisione: ese. bidimensionale

34 p. 34 Esempi di classificatori discriminativi Reti neurali (ANN) Support Vector Machines (SVM) Decision Trees K-Nearest Neighbor (k-NN) Boosting …

35 p. 35 Riassumendo… In un approccio allobject recognition basato sul machine learning è necessario modellare due tipi di conoscenza: Conoscenza visiva (e.g., scegliere le feature) Conoscenza statistica (e.g., scegliere il classificatore)

36 p. 36 Alcuni riferimenti Forsyth, Ponce, Computer Vision, a Modern Approach 2003 Duda, Hart, Stork, Pattern Classification (II edition) 2001 Bishop, Pattern Recognition and Machine Learning, 2006 Sebe, Cohen, Garg, Huang, Machine Learning in Computer Vision, 2005

37 p. 37 Domande…


Scaricare ppt "Enver Sangineto, Dipartimento di Informatica Riconoscimento automatico di oggetti in immagini digitali."

Presentazioni simili


Annunci Google