특징 검출과 대상 검출의 차이점

Question

가장 일반적인 대상 검출에는 Haar 폭포가 관련되어 있고 SIFT, SURF, STAR, ORB 등과 같은 기능 탐지에는 많은 기술이 있다는 것을 알고 있습니다.하지만 최종 목표는 객체가 양쪽 모두 동일한 결과를주는 양 끝을 인식하지 못합니까? 간단한 모양과 패턴에 대한 피쳐 기법을 사용하는 것을 이해하지만 복잡한 피사체의 경우 이러한 피쳐 알고리즘이 잘 작동하는 것처럼 보입니다.

나는 그들이 어떻게 작동하는지에 대한 차이점을 알 필요는 없지만, 그 중 하나가 다른 것을 배제시키는 데 충분한 지 여부는 알 필요가 없습니다. Haar 계단식 연결을 사용하면 SIFT를 사용해야합니까? 왜 귀찮아?

감사

편집

: 내 목적을 위해 나는 가지의 다양한 클래스 개체 인식을 구현하려는. 컵과 비슷한 모양의 컵이 클래스 컵의 일부로 선택된다는 것을 의미합니다. 그러나 인스턴스를 지정하기를 원합니다. 즉 NYC 컵이 인스턴스 NYC 컵으로 선택됩니다.

Answer 1

일반적으로 개체 검색은 기능 검색 및 분류의 두 단계로 구성됩니다. 특징 검출 단계에서, 검출 될 대상의 관련 특징들이 수집됩니다. 이러한 기능은 분류의 두 번째 단계에 입력됩니다. (Haar 계단식이라 할지라도, 특징 탐지를 위해 을 사용할 수 있습니다.) 분류에는 신경망, K- 가장 가까운 이웃 등과 같은 알고리즘 이 포함됩니다. 분류의 목표는 검출 된 피처가 검출 될 피처가 이 갖는 피처들에 대응하는지 여부를 확인하는 것인데, 을 찾는 것이다. 분류는 일반적으로 기계 학습의 영역에 속합니다.

얼굴 검출은 예를 들어, 물체 감지의 예입니다.

Answer 2

일반적으로 개체는 기능 모음입니다. 기능은 매우 낮은 수준의 원시적 인 경향이 있습니다. 객체 란 장면의 이해를 다음 단계로 옮기는 것을 의미합니다.

특징은 모서리, 가장자리 등과 같은 것일 수 있지만 개체는 책, 상자, 책상과 같은 것일 수 있습니다. 이 객체들은 모두 여러 피쳐로 구성되며, 일부는 특정 장면에서 볼 수 있습니다.

Answer 3

불변량, 속도, 저장; 몇 가지 이유, 나는 내 머리 꼭대기에서 생각할 수 있습니다. 다른 방법은 전체 이미지를 유지 한 다음 주어진 이미지가 데이터베이스에있는 유리 이미지와 유사한 지 여부를 확인하는 것입니다. 그러나 유리의 압축 된 표현을 사용하면 계산이 더 빨라지므로 (저장 속도가 빨라짐) 저장 공간이 더 적게 필요하며 이미지에서 불변량을 알려줍니다.

언급 한 두 가지 방법 모두 기본적으로 약간의 차이가 있습니다. Haar의 경우, Haar 기능을 감지 한 다음이를 향상시켜 자신감을 높입니다. Boosting은 더 나은 견적을 제공 할 수 있도록 Harr 기능이 최종 메타 분류에 포함되도록 현명하게 선택하는 메타 분류 기준입니다. 다른 방법은, 더 많거나 적게 또한 당신이 더 "정교한"특징을 가지고 있다는 것을 제외하고는 이것을합니다. 가장 큰 차이점은 바로 부스팅을 사용하지 않는다는 것입니다. MoG (Mixture of Gaussian) 또는 K-Mean 또는 일부 다른 휴리스틱과 같은 일종의 분류 또는 클러스터링을 사용하여 데이터를 클러스터링하는 경향이 있습니다. 클러스터링은 주로 기능 및 응용 프로그램에 따라 다릅니다.

귀하의 케이스에서 효과가있는 것은 무엇입니까? 그것은 어려운 질문입니다. 내가 너라면, 나는 Haar로 놀아 볼 것이고, 효과가 없다면 다른 방법을 시도 할 것이다 (obs :>). 이미지를 분할하고 안경을 감지 할 수있는 경계선을 만들 수 있습니다.