- 画像処理 #まとめ編
Index
物体認識
物体認識とは、入力画像に写る物体を理解し、適切なラベルを付与する過程を指す.
一般的な画像分類 / Classificationという意味も、物体認識とほぼ同義だと思う.
基本的なアルゴリズム
一般的なクラス (物体 / シーン) 認識は、画像特徴抽出と分類の 2 つの大きな構造に分けられる.
さらに、画像特徴抽出は、
局所特徴のサンプリング、局所特徴の記述、統計的特徴抽出、コーディング、プーリング
の処理に分けられる.
- 画像特徴抽出
- 局所特徴のサンプリング
- 局所特徴の記述
- 統計的特徴抽出
- コーディング
- プーリング
- 分類
画像からの特徴量の抽出の具体的な手法は、以下でまとめる.
- 画像処理 #まとめ編
分類
入力画像は、特徴抽出の処理を経て、
1 つの特徴ベクトル となったとする.
物体認識 / 画像分類の最終的な段階として、この特徴ベクトル に クラス [tex: { C{k} }^{N{c}}_{k=1}] を付与する分類 / Classification を行う.
特徴空間 / Feature Space
特徴ベクトルで張られる空間を特徴空間 / Feature Space と呼ぶ.
分類では、あらかじめ特徴空間をいくつかの領域に分割し、
各領域にクラス情報を付与する.
入力画像から、得られた特徴ベクトルは、特徴空間上の 1 点として表されるので、 対応するクラスが決まるという仕組みだ.
機械学習
分類の処理に機械学習を用いる手法をまとめる.
ベイズ識別
判別分析
局所学習 / Local Learning
学習システムを入力空間の各局所領域ごとに適合させれば、より適切な予測システムが構築できる.
K 近傍法 / KNN
- K 近傍法 / KNN
カーネル密度推定
テンプレートマッチング / Template Matching
KNN では、すべての訓練データを用いて分類を行うが、クラスの代表点のみを用いて
分類を行う手法もある.
- テンプレートマッチング / Template Matching
深層学習
特徴量の抽出と分類の処理に、深層学習を用いる.
- 深層学習 物体認識 #まとめ編
参考
- 画像認識
- 1 画像認識の概要
- 1.3 クラス認識の手順
- 1.4 深い構造と浅い構造
- 5 分類
- 5.1 分類とは
- 5.2 ベイズ決定則
- 5.3 識別関数
- 5.4 一般的な教師付き学習の枠組み
- 5.5 最適化
- 5.6 線形識別関数
- 5.7 確率的識別関数
- 5.8 局所学習
- 5.9 集団学習
- 5.10 分類結果の評価
- 1 画像認識の概要