1 / 15

ADABOOST Detekce objektu v obraze

ADABOOST Detekce objektu v obraze. Obsah. Úvod do problému Řešení Reálné příklady. Idea detektoru. Detektor objektu pro fixní velikost okna Klasifikátor je objekt/není objekt - 2 druhy chyb False positive (FP) – halucinace objektu False negative (FN) – přehlédnutí objektu

nituna
Télécharger la présentation

ADABOOST Detekce objektu v obraze

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. ADABOOST Detekce objektu v obraze

  2. Obsah • Úvod do problému • Řešení • Reálné příklady

  3. Idea detektoru • Detektor objektu pro fixní velikost okna • Klasifikátor je objekt/není objekt - 2 druhy chyb • False positive (FP) – halucinace objektu • False negative (FN) – přehlédnutí objektu • Jednoduché příznaky/filtry • Výběr filtrů a jejich kombinace=adaboost • Hypotéza • Projdi obraz všemi okny velikosti větší než 24x24

  4. Řešení • Bootstrap algoritmus - Adaboost • Rychlé příznaky • Sekvenční trénování

  5. Bootstrap algoritmus • Vezme jednoduchý (slabý) klasifikátor, který nemá dobrou přesnost • zkombinuje slabé klasifikátory tak, aby celek dosáhl požadované přesnosti. • Výhoda – použití „rychlých“ klasifikátorů bez obětování přesnosti

  6. Adaboost • Vytváří silný klasifikátor pro klasifikaci dat xi kombinací slabých klasifikátorů h(xi) • i je váha, kterou potřebujeme nastavit trénováním

  7. Adaboost – příklad

  8. Idea – Rychlé příznaky/filtry • Příznaky/filtry, které mají charakter hranových detektorů • Výpočet odezvy filtru h(f(x,y)) • pro každý filtr musíme zvolit práh T

  9. Výpočet odezvy filtru – zrychlení • Protože to budeme dělat opakovaně, musí být výpočet efektivní • Idea : integrální obraz • Efektivně vypočten v jednom průchodu • Oblast 4 = D + A – (C+B)

  10. Adaboost pro detekci objektů • Rozhoduje jak vybrat z filtrů • Vstup • Příklady objektu a ne-objektů • Hodně filtrů (různé typy, velikosti, pozice) • Algoritmus pro konstrukci silného klasifikátoru f(x) tvořeného lineární kombinaci jednotlivých slabých klasifikátorůht(x)

  11. Adaboost - algoritmus • Máme dána trénovací data (xi,yi). Na začátku jsou váhy stejné pro všechny data. • Pro t=1:T • Spočtu chybu tpro každý filtr • vyberu filtr s nejmenší chybou • Nastavím t • Převažím příklady (boosting) aby špatně zařazená data měli větší váhu • Přidám slabý filtr s váhou t

  12. Příklady detekce tváře • Vybrané příznaky/filtry jsou smysluplné • 100% nalezených tváří, 40% FP-halucinace tváře

  13. Sekvenční rozhodování • Kombinace filtrů • První filtr provede prahování  zbytek zůstane • V prvním kroku bylo 80% ne-tváří, atd. H1 H2

  14. Reálnépříklady

  15. Literatura • Viola & Jones – Bootstrap algorithm for face detection • Freund – “An adaptive version of the boost by majority algorithm” • Matas – Lecture Adaboost

More Related