saliencymap事前确率-滝口研究室.ppt

情報処理学会関西支部 AdaBoostとSaliency Mapを用いたGraph Cutsによる物体領域の自動抽出法 福田恵太，滝口哲也，有木康雄 (神戸大) 研究背景 研究目的 　高精度な自動セグメンテーションの実現 物体領域は背景領域に比べ，顕著性が高い 提案手法 AdaBoostによる物体領域検出 Saliency Map Graph Cuts Segmentation t-link (コストの推定方法) Graph Cuts Segmentation 実験条件 実験結果 (1) 実験結果 (2) 実験結果 (3) 実験結果 (4) まとめ 考察 Saliency Mapにより形状情報を取得することができ， 自動セグメンテーションの向上が可能となった． 問題点 　複数色を持つ物体ではSaliencyが領域全体に現れにくい． 　物体ごとにAdaBoostで学習する必要がある． 今後の予定 他物体でさらに実験 概念ベースでSaliency Mapを構築． [T.Liu, J.Sun ，“Learning to Detect A Salient Object，” CVPR 2007] pLSAを用いた自動抽出手法 Semantic Segmentation Graph Cuts Segmentation Graph Cuts 実験結果 提案手法 www.***.com * * 一般物体認識分野において，セグメンテーションは，画像内に存在する検索対象領域の抽出という認識の前処理段階で重要な問題である． 従来手法 　ユーザがラベル付加する必要がある． 物体と背景の色情報 物体と背景の位置情報 　対象物体に焦点を合わせる　 など制約条件が厳しい． 視覚注意の引く情報を自動セグメンテーションに導入する． Haar-like特徴を用いたAdaBoost法により，物体領域抽出を行う． [Viola Jones (2001) ] 目的は，物体と背景の色情報を学習することであるため Pr (Cp|O) Pr (Cp|B) 外側領域から背景色を学習 内側領域から背景色を学習 輝度 (6 maps) RG + BY (12 maps) Gabor Wavelet (24 maps) Center画像とSurround画像の差分と正規化 Gaussian Pyramid (8 スケール画像) Saliency Map（?事前確率） [Itti, Koch (1998)] 0° 45° 135° 180° Saliencyを物体の形状情報として事前確率 Pr(O)を定義する． 物体領域は背景領域に比べて，視覚注意を引く． B O t-link n-link 背景らしさを表すコスト S:”obj” T:”bkg” O B 近傍画素の類似度 (コスト) ３×４の入力画像 物体らしさを表すコスト グラフ作成 t-link　エッジコストの与え方 従来手法： 画素に物体と背景のラベルを与え，尤度を学習 提案手法： AdaBoostで得られた矩形領域とSaliency Mapから学習 Saliency Map Pr(O) 反Saliency Map Pr(B) S:”obj” T:”bkg” O B －ln Pr(B|Cp) －ln Pr(O|Cp) 物体の色ヒストグラム をＧＭＭに適用 Pr(Cp|O) 背景の色ヒストグラム をＧＭＭに適用 Pr(Cp|B) 背景 物体 AdaBoostから 矩形で検出 S T O B min cut セグメンテーション エッジに対するコスト p∈P λ?Rp(obj) {p,T} p∈P λ?Rp(bkg) {p,S} t-link {p,q}∈N B{p,q} {p,q} n-link for cost edge 評価方法として， AdaBoostで学習に使用していない花画像150枚 Saliency Mapの使用と未使用 [Dongfen 2006] による抽出結果 以下の式から誤検出率err(%)を算出 物体を背景と誤検出 背景を物体と誤検出 正解画像 抽出結果 元画像 [Dongfeng Han “Automatic Segmentation Based on AdaBoost Learning and Graph Cuts” (2006)] [福田恵太，滝口哲也，有木康雄“マルチ識別器を用いた画像検索による花図鑑システム，”MIRU2007] 提案手法 [Dongfen 2006] 150 96 30 24 103 検出　 (Err:2.0%以下) 23 誤検出　　(Err :2.0 %以上) 150 24 Total (枚) AdaBoost　未検出 提案手法 [Dongf