Object detection with constellations of keypoints : masters thesis

Rački, Domen (avtor), Kristan, Matej (mentor), Pock, Thomas (komentor)

Feature-based object detection methods rely on the discriminative nature of features in order to accurately determine the location of a specific object in a test image. From a set of detected features, non-discriminative features are filtered out by means of a similarity threshold, meaning that if a features is very similar to more than one model feature, it is considered to be non-discriminative. However, in cases where an object consists of repeating patterns the similarity threshold proves inefficient since it considers the majority of detected features to be similar to more than one model feature, i.e., non-discriminative. In the context of one-shot learning we propose a constellation model for enhancing basic feature-based object detection methods, with the aim in utilizing the preserved geometry between features to filter out noisy feature matches. This eliminates the need for the similarity threshold. We evaluate the proposed constellation model whit empirically and numerically modelled feature variance and compare it to a baseline feature model. Model evaluation is performed on a challenging real-world dataset, consisting of logotypes in real-world scenarios. We find that the best variation of the constellation model is the model with empirically determined feature variance, which significantly reduces the number of mismatched features, without significantly affecting detection performance.

• Jezik: Angleški jezik
• Ključne besede: one-shot learning, keypoints, geometry, variance, constellation, object detection, SIFT, GHT, MLESAC, MND, computer science, computer and information science, master's degree
• Vrsta gradiva: Magistrsko delo/naloga
• Tipologija: 2.09 - Magistrsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Založnik: [D. Rački]
• Leto izida: 2015
• Št. strani: XVIII, 81 str.
• PID: 20.500.12556/RUL-30737
• COBISS.SI-ID: 1536313539
• Datum objave v RUL: 04.05.2015

Sekundarni jezik

• Jezik: Slovenski jezik
• Naslov: Detekcija objektov s konstelacijami značilk

Izvleček

Metode za detekcijo objektov osnovane na značilnicah se za določitev lokacije specifičnega objekta v testni sliki zanašajo na diskriminativno naravo značilnic. Nediskriminativne značilnice v množici detektiranih značilnic se izloča z uporabo podobnostnega pragu. To pomeni da se detektirano značilnico zavrže, če je ta podobna več kot eni značilnici v modelu. V primerih detekcije objektov s ponovljivimi se vzorci se podobnosti prag izkaže kot neučinkovit, saj obravnava večino detektiranih značilnic kot nediskriminativne, t.j., podobnih več kot eni značilnici v modelu. V kontekstu učenja z enim primerom v magistrski nalogi predlagamo konstelacijski model kot dodatek k osnovnim metodam za detekcijo objektov, osnovanih na zančilnicah. %, saj slednje ohranjajo prostorske relacije med značilnicami. Cilj je uporabiti ohranjeno geometrijo med značilnicami kot filter za nediskriminativne značilnice in posledično eliminirati potrebo po podobnostnem pragu. Delovanje predlaganega konstelacijskega modela z empirično in numerično varianco značilnic primerjamo z osnovnim modelom osnovanim na značilnicah. Model evaluiramo na zahtevni bazi katera se sestoji iz logotipov v realnih okoljih. Ugotovimo da je najboljša različica konstelacijskega modela tista z empirično varianco značilnic, saj slednja značilno zmanjša število nediskriminativnih značilnic brez značilnega poslabšanja delovanja algoritma za detekcijo objektov.

• Ključne besede: učenje z enim primerom, značilnice, geometrija, varianca, konstelacije, detekcija objektov, SIFT, GHT, MLESAC, MND, računalništvo, računalništvo in informatika, magisteriji