Click here to load reader

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

  • View
    218

  • Download
    3

Embed Size (px)

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

  • Slide 1
  • Enver Sangineto, Dipartimento di Informatica Riconoscimento automatico di oggetti in immagini digitali
  • Slide 2
  • p. 2 Panoramica della presentazione Motivazioni Problemi Principali approcci
  • Slide 3
  • p. 3 Riconoscimento di oggetti Lobiettivo di un sistema di object recognition rilevare la presenza di oggetti dinteresse allinterno di immagini/video digitali Passo fondamentale per permettere ad un computer di capire cosa sta guardando
  • Slide 4
  • p. 4 Perch 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
  • Slide 5
  • p. 5 Perch 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
  • Slide 6
  • p. 6 Object recognition un problema aperto Non esistono sistemi general purpose
  • Slide 7
  • p. 7 Problemi principali nel riconoscimento di oggetti Variabilit delle apparenze Segmentazione della scena
  • Slide 8
  • p. 8 Variabilit: cambiamento del punto di vista Michelangelo 1475-1564
  • Slide 9
  • p. 9 Variabilit [2]: cambiamento delle condizioni di illuminazione
  • Slide 10
  • p. 10 Variabilit [3]: oggetti deformabili Xu, Beihong 1943
  • Slide 11
  • p. 11 Variabilit [4]: variazione intra-classe
  • Slide 12
  • p. 12 Segmentazione: Occlusioni Magritte, 1957
  • Slide 13
  • p. 13 Klimt, 1913 Segmentazione [2]: separazione dallo sfondo
  • Slide 14
  • p. 14 Approcci principali al riconoscimento Model-based Machine learning
  • Slide 15
  • p. 15 Ipotesi Un solo oggetto per immagine Machine learning per rappresentare la conoscenza
  • Slide 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 unimmagine e y j unetichetta che indica loggetto in essa contenuto: y j {o 1, , o m }
  • Slide 17
  • p. 17 Riconoscimento tramite apprendimento automatico [2] Ogni I j 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
  • Slide 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 } div n (I(p)">
  • p. 19 Un semplice esempio Istogramma dellintensit 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}
  • Slide 20
  • p. 20 Esempio [2] Rappresentazione di T in R n (n,m = 2)
  • Slide 21
  • p. 21 Esempio [3] Rappresentazione della nuova immagine (x = f(I))
  • Slide 22
  • p. 22 Rappresentazione di unimmagine mediante feature Una feature una rappresentazione, tramite valori numerici, di tutta o parte dellimmagine Se I' una sottoparte dellimmagine I, allora una feature f t.c.: f(I') R d, f(I') = (v 0, v d-1 ) T, d >= 1
  • Slide 23
  • p. 23 Feature globali e locali I' = I: feature globale I' I: feature locale
  • Slide 24
  • p. 24 Esempio: feature locale f i (I') I' I immagine presa da: Tutorial CVPR 07
  • Slide 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
  • Slide 26
  • p. 26 Spazio delle feature Se: f j (I) R d (1

Search related