pascal图像处理平台及loglinear模式识别方法.pptVIP

PASCAL VOC Challenge Log-linear Model Outline PASCAL Visual Object Classes Challenge Log-linear model Boosting 1. PASCAL VOC Challenge （2005） PASCAL - pattern analysis - statistical modeling - computational learning 目的 - 识别现实场景中视觉目标类中的目标 4个目标类 - Motorbikes - Bicycles - People - Cars 分类（classification） - 预测某类中至少有一个目标的存在/不存在 检测（detection） - 预测某类中每个目标的边界盒 Competitions 任何数据（除了提供的测试数据） - 这些方法完成目标可以达到什么程度？ - 哪种方法最好？ 给定数据 - 对指定的训练数据，哪种方法最好？ 1.1 Data sets train/val, test1 - 已标注 - 同分布中采样 - 来自于PASCAL image databases - “易” Example images－test 1 Training and first test set Second test set test2 - 为挑战收集的图像（大多来自于google) - “难” Example images－test 2 Annotation for training 目标类的存在/不存在 子类标签（部分） - PAScarSide, PAScarRear 边界盒 Issues in ground truth 什么样的目标是可检测到的？ - 通过对图像中的大小，遮挡的程度，未经推 理的检测来客观判断 训练数据中的“错误” - 未标注的目标 需要对类标签上的噪声有鲁棒性机器学习算法 - 不精确的边界盒 难以确定某一用例，例如bicycles 无限制地设定检测门限 1.2 Methods of Classification 区域提取 - 尺度不变：Laplacian, DOG - 仿射不变：Hessian-Affine, MSER - Wavelets …… 区域表示 - SIFT、PCA 、Haar wavelets…… 分类器 - SVM - log-linear - Boosting（2006,2007） …… 1.3 Evaluation of Classification Receiver Operating Characteristic (ROC) - Equal Error Rate (EER) - Area Under Curve (AUC) 1.4 Methods of Detection “滑动窗口” 霍夫变换 …… 1.5 Evaluation of Detection 正确检测 - 预测到的边界盒与目标真实边界盒至少有50％重叠 Precision/Recall（PR） - Average Precision (AP) as defined by TREC 插值，recall = 0,0.1,…,0.9,1 1.6 Challenge（2007） 20个目标类 - person - bird, cat, cow, horse, sheep - aeroplane, bicycle, boat, bus, car, motorbike, train - bottle, chair, dining table, potted plant, sofa, TV/monitor 1.6.1 Ground Truth Annotation 类 - 目标类，e.g. car, bicycle 边界盒 角度 - front, rear, left, right, unspecified “溢出”标记 - 边界盒≠目标范围 “难”标记 - 难以识别，忽视 1.6.2 Two “taster” task 分割（Segmentation） - 如果目标不属于20类中任意一个，对图像中每个像素，预测包含该像素或“背景”的目标的类别。 人的设计（Person Layout)