TrabalhosGratuitos.com - Trabalhos, Monografias, Artigos, Exames, Resumos de livros, Dissertações
Pesquisar

SLIDE BOW & VLAD

Por:   •  28/1/2016  •  Seminário  •  765 Palavras (4 Páginas)  •  288 Visualizações

Página 1 de 4

[pic 1]

Extração de Características Usando Vetor de Descritores Localmente Agregados

[pic 2]

RICARDO COSTA DA SILVA MARQUES

ORIENTADOR: GERALDO BRAZ JUNIOR


[pic 3]Bag of Words

  • É uma representação simplificada do processamento de linguagem natural.
  • Neste modelo um texto é representado como um multiconjunto de suas palavras.

–  Ex:

  • John likes to watch movies. Mary likes movies too.

  • John also likes to watch football games.

{"John", "likes", "to", "watch", "movies", "also", "football", "games", "Mary", "too" }

[pic 4]

1


[pic 5]Bag of Visual Words

  • No campo de Visão Computacional, para representar uma imagem usando BoW, tal imagem deve ser tratada como um documento.
  • BoW model é o histograma de representações visuais baseadas em características independentes.

[pic 6]

2


[pic 7]Bag of Visual Words

[pic 8]

3


[pic 9]Representação de um BoW

  • Usualmente esse processo está dividido em três passos:

Feature Detection: computar abstrações em informações retiradas de imagens.

Feature Descriptor: a imagem é abstraída em patches. Onde cada patch é representado por um vetor com descritores de características.

Codebook Generation: converter os vetores de representação em “codewords” e por fim gerar o dicionário.

[pic 10]

4


[pic 11]Representação de um BoW

[pic 12]

5


[pic 13]Representação de um BoW

[pic 14][pic 15]

6


[pic 16]Feature Detection

  • Tem como objetivo encontrar pontos na imagem que servirão para caracterizar a mesma.
  • Algoritmos:

–   Harris Corner Detector

–   SIFT

–   SURF

–   BRIEF

–   FAST

–   ORB

–   etc...

[pic 17]

7


[pic 18]SIFT

(Scale Invariant Feature Transform)

 Foi proposto em por Lowe [2004] para resolver problemas relacionados a:

  • Rotação
  • Mudança de Escala
  • Deformações
  • Diferentes View Points
  • Ruídos
  • Mudanças de Iluminação

[pic 19]

8


[pic 20]SIFT

(Scale Invariant Feature Transform)

  Detectar Extremos de Escala-Espaço

[pic 21]

G é a função Gaussiana

I é a imagem

9


[pic 22]SIFT

(Scale Invariant Feature Transform)

  Função Gaussiana

[pic 23][pic 24]

10


[pic 25]SIFT

(Scale Invariant Feature Transform)

  Resultado da Função Gaussiana

[pic 26]

11


[pic 27]SIFT

(Scale Invariant Feature Transform)

  • Detecção dos Keypoints
  • Cada Keypoint possui uma assinatura de orientação, caso a imagem seja rotacionada, o vetor que o descreve não perde informação.
  • As informações que o definem são obtidas através da magnitude do gradiente local de cada patch na imagem.

[pic 28]

12


[pic 29]SIFT

(Scale Invariant Feature Transform)

  Detecção dos Keypoints

[pic 30]

13


[pic 31]SIFT

(Scale Invariant Feature Transform)

  Representação dos Keypoints

[pic 32][pic 33]

14


[pic 34]SIFT

(Scale Invariant Feature Transform)

  • Patchs com pouca variação de intensidade são descartados.
  • Áreas que agrupam cantos, bordas, curvaturas possuem maior agrupamento de informações relevantes.

[pic 35]

...

Baixar como (para membros premium)  txt (8.5 Kb)   pdf (282.3 Kb)   docx (838.6 Kb)  
Continuar por mais 3 páginas »
Disponível apenas no TrabalhosGratuitos.com