Boosting, Neural network: it's kind of supervised learning
새로운 데이터가 추가될때 Mean Shift는 다시 계산해야 하기 때문에 Support Vector Machine등의 개념이 도입.
이것은 Mean shift 결과를 기반으로 경계를 긋고 해당 경계 안에 들어오면 바로 clustering할 수 있음.
<Lloyd Max Quantization, K Means>
K-Means clustering은 K개의 center를 임의로 램덤하게 혹은 룰 베이스로 추출하고 중심과 가까운 거리에 근거 clustering한다.
그리고 center를 다시 업데이트(모아진 분포에 의거)
클러스터링할때 허프만압축과 같이 중요하지 않은 클러스터는 묶고 중요한 클러스터(데이터많은)는 보다 더 촘촘하게 세분화한다
.
(어떻게??? 알고리즘있다. interative하게 돌려서 에너지 최소값찾는다.이것이 Lloyd Max Quantization)
즉, 확률적으로 많이 나오는 데이터에 집중한다.
* Mean shift, K-means 결과가 다르고 정답이 없듯이 image processing에서 절대적 알고리즘은 없다. 속도와 정확성의 trade off
일수도 있으나 그것이 아닌 결과 자체가 그냥 다를 수 도 있는 것이다.
K값을 찾기위한 Tip:
K가 올라갈 수록 costs가 커질 것이다. K를 처음 작게 두고 점차적으로 증가시키면서 결과를 보는 것이 하나의 접근 방법일 수
있다.
<Image Retrieval>
SIFT적용하고 Homography적용했을때 잘 포개어지면 거의 정확하게 검출 가능
인식은 100%되어야 하지만 검색은 좀 낮아도 괜찮다. Retrieval은 검색의미
(검색과 인식은 구분되어야)
BOF(Bag of fetures)
<AdaBoost>
weak classifier가 계속해서 더해질 수 있도록 수식을 만듬
장점은 하나 더해질때 기존의 weak classifier의 수식이 별할 필요 없음
기본적인 방법은 임의 weak classifier그어놓고 틀린 데이터들에 가중치 부여하고 다시 weak classifier를 찾는다. 그리고 이를
반복한다.
그리고 마지막 classification은 개별 weak classifier기준 맞고 안 맞고를 -1, +1로 계산해서 합산하여 판단
Supervised learning이며 우선 시작은 두가지 분류체계만 있다고 가정하고 시작
여러가지 classifier들간의 가중치를 error rate 최소화되게 부여할 수 있다.????
따라서 이제 우리는 weak classifier를 설계하기만하면 된다.
요즘 neural network 때문에 약간 잊혀짐
<Shape Matching>
Chamfer Matching:
Distance Transform
: 모든 pixel에 대해서 edge와의 거리에 따라 gray 값을 다르게 주고(가꾸울 수록 0에 가깝게)
비교하고자 하는 edge shape을 scan하면서 각 pixel별 값을 비교 합산하여 최적의 값을 찾는다.
Hausdorff distance:
도형을 포개되 가능한 하나가 안쪽으로 들어가게 해서 edge간의 간격을 가능한 최대로 들어가게 한다음 간격의 합을 구하고 최소
가 될때 matching으로 판별
<Stereoscopic System>
엄밀하게 얘기하면 키넥트, 립모션대비 거리한계는 없다.
(키넥트 약 10미터??, 리모션은 근거리)
요지는 두대의 카메라로 사진을 찍으면 3차원 공간에서의 영상을 만들어낼 수 있다.
(ex. magic eye)
Epipolar Equation을 사용하면 두 개의 사진 하나에서의 임의 점 위치를 다른 사진상에서 빠르게 찾을 수 있다.
( 직선을 바로 구할 수 있고 해당 직선만을 서치하면된다.)
그리고 interpolation을 해서 Epipolar Equation line을 만든다.???(두개의 사진을 수평으로 놓았을때 line이 수평방향으로 쭉 연결되게)
그리고 삼각측량과 같은 방법으로 3차원 공간 물체의 거리를 구한다.
'Papers > Machine learning' 카테고리의 다른 글
Backpropagation, Dropout and Simulated annealing (0) | 2015.02.06 |
---|---|
convolution neural network (0) | 2015.02.06 |
[lecture][forth day] Image processing (0) | 2015.01.22 |
[lecture][third day] Image processing (0) | 2015.01.21 |
[lecture][second day] Image processing (0) | 2015.01.20 |