Mühür yavrusu tespiti için ne tür bir tanımlayıcı kullanmalıyım?

Question

Plajdan alınan hava görüntüsünde mühür yavrularını (hayvan) tespit etmek ve saymak için bir projem var. Mühür yavruları, kahverengi ve büyük olan yetişkin mühürlere kıyasla siyah ve küçüktür. Bazı conta yavruları üst üste biner/kısmen tıkanmışlardır. Plaj rengi sarıya yakın olsa da, algılama zorluğunu artıran bazı siyah kayalar var.

Projem için en uygun ne tür bir tanımlayıcı? HOG, SIFT, Haar benzeri özellikler?

Bu sorunun teorisini soruyorum. Projemi hayata geçirmeyi düşünüyorum, ilk adımı en çok nesneyi temsil eden doğru tanımlayıcı seçmeli, sonra (birkaç zayıf özelliği birleştirmeli, gerekli değil) destekleyici/SVM/neural_network gibi makine öğrenim yöntemini kullanarak bir sınıflandırıcı yetiştirmeliyim, doğru muyum? ?

örnek görüntüsü: Eğer bir bebek mühür kolaylıkla neye benzediğini onu öğretebilir beri

Answer 1

oldukça emin değil, sen yırtıcı algoritması bakmak zorunda deneyebilirsiniz. youtube video, description and link here

Answer 2

Doğru tanımlayıcıyı seçmenin başlamak için doğru yer olduğunu kabul ettiğimden emin değilim. Temel bir konu, tüm nesnelerin benzer şekildedir. Her hayvanın içinde önemli degradeler vardır. Pozların karmaşıklığı başka bir konudur. Sorunu iki basit adımla kırdım: 1. Benzersiz nesne algılama (kenar algılama, su havası, graph cut, vb.). "Kan hücresi sayımı" problemi gibi bir şey. 2. Renk ve bölgeye göre nesne sınıflandırması (kamera perspektifine normalize). Her nesnedeki "sarı" renkli piksellerin ve "siyah" renkli piksellerin kesirli miktarını hesaplayın ve bu değerleri nesne sınıflandırıcısıyla birlikte nesne boyutuyla birlikte kullanın (sinir ağları burada eğlenceli bir çözümdür!).

Oldukça karmaşık bir sahne, bu yüzden her iki algoritmanın da ince ayar gerektirmesini beklerim. Gereksinimleriniz bir miktar analist etkileşime izin veriyorsa, bazı kaydırıcıları sağlayın, böylece analizci algoritmalarınızdaki eşiklerin her birini ayarlayabilir.

Answer 3

Bilgisayarla görme algoritmalarındaki doğruluk, onları belirli bir soruna ince ayar yapabilmeye dayanıyor gibi görünüyor. Resimler hakkında varsayımlar yapabilirseniz, algoritmalarınızı teslim ediyorsunuz, tıpkı hepsi de benzer bir sahildeki mühürlerin havadan görüntüleri olduğu gibi, bundan faydalanabilirsiniz. Yerel özelliklerle çok süslü olmaya çalışmadan önce, havza segmentasyonu gibi bir şey denemek ve arka plan olmayan segmentlerin sayısını saymak isteyebilirsiniz. Watershed, "arka plan" ve "ön plan" bölümleri arasında ayrım yapmak için girişiniz hakkında önceden bilgi edinmek için "işaretleyiciler" olarak adlandırılan kullanışlı bir çerçeve sağlar.

Böyle bir yaklaşım yerel özelliklerden daha kolay ve muhtemelen daha doğru olabilir. Tecrübemde, SIFT ve SURF özelliklerini kullanarak organik özneden (yüzler veya hayvanlar gibi) çok sayıda anlamlı özellik elde edemedim ve eşleştiremedim. Benim için çok sayıda açıya sahip oda veya binaların resimleri üzerinde daha iyi çalışma eğilimi gösterdiler.