Building text features for object image classification 福田考晃
はじめに Wang, Hoiemらによって提案 [CVPR,2009] なにをするものか？ どのように？ 組み合わせて利用 未知画像の既知カテゴリへの分類 どのように？ 画像から得られる特徴 テキストの特徴( flickr tag ) 組み合わせて利用
手法の流れ 入力：未知画像 処理：２つの識別器を構築 ビジュアル識別器 テキスト識別器 出力：カテゴリ
ビジュアル特徴 5つの特徴量を利用 SIFT Gist カラーヒストグラム 勾配特徴 Unified特徴(上記４つをまとめたもの)
Gist 画像全体から得られる特徴量 画像を小領域に分割 任意周波数，方向のGaborフィルタの応答算出 強度 Gabor filter
Unified特徴の最適化 ２枚を１組の画像対を利用 Unified特徴 重みを変更し，以下の式を最小化 Si：画像対の関係を表す
手法の流れ 入力：未知画像 処理：２つの識別器を構築 ビジュアル識別器 テキスト識別器 出力：カテゴリ
インターネットから取得したデータセット 画像テキスト間の関係 1,000,000枚のデータセット 700,000枚 300,000枚 58カテゴリでflickrを検索 PASCAL + Caltech 256カテゴリ 300,000枚 以下からダウンロード
手法の流れ 入力：未知画像 処理：２つの識別器を構築 ビジュアル識別器 テキスト識別器 出力：カテゴリ
テキスト特徴 Flickrデータセットから6000個のタグとグループ名を抽出 手順 画像入力 K – Nearest Neighborでk個の画像をFlickrデータセットから取得 取得した画像のタグとグループ名から特徴量算出
手法の流れ 入力：未知画像 処理：２つの識別器を構築 ビジュアル識別器 テキスト識別器 出力：カテゴリ
識別器の構築 ビジュアル識別器 テキスト識別器 SVMの利用 識別器の統合 カイ二乗カーネル ロジスティック回帰 特徴量をカイ２乗距離へ射影 検証用データセットを利用 K(x,y)= exp{-² (x,y)} ² (x,y) = i { (||xi-yi||) ² / ||xi+yi|| }
実験 以下を確認 異なるビジュアル特徴量におけるテキスト特徴の影響 テキスト特徴とビジュアル特徴の統合の影響 学習画像の影響 補助データセットの画像枚数の影響 カテゴリ名の影響
実験１ 異なるビジュアル特徴におけるテキスト特徴の構築 KNN精度に依存 各特徴量の精度比較 ビジュアル特徴に依存 カラーヒストグラムが低 Unifiedが高
実験２ テキスト特徴とビジュアル特徴の統合の影響 互いが相互に作用
実験３ 学習画像枚数の影響 画像数少 テキスト特徴の影響大 画像数多 テキスト特徴の影響小 最も高い利得 テキストとビジュアルが一致したとき
実験４ 補助データセットの画像枚数 精度上昇 ≠ 枚数 200,000〜600,000 600,000〜1,000,000 精度上昇大 精度上昇小 精度上昇 ≠ 枚数
実験５ カテゴリ名の影響 実験対象 類似カテゴリの存在に依存しない カテゴリ名に類似したタグが存在する (W) カテゴリ名に類似したタグが存在しない (WO) 類似カテゴリの存在に依存しない
おわりに テキストの特徴 Unified特徴量は有効に作用 テキスト識別器 + ビジュアル識別器 = 相互に作用 Flickrのタグ，グループ名を利用 Unified特徴量は有効に作用 テキスト識別器 + ビジュアル識別器 = 相互に作用 学習画像数が少ない時テキスト特徴の影響大 精度向上≠ 補助データセット枚数 カテゴリ名の影響はない