Nonparametric belief propagation

原稿PDF

確率分布を混合ガウス分布で表わしたうえでの、確率伝搬法の計算法とその顔画像解析への応用。メッセージの計算やその統合にはGibbs samplerを用いる。

顔画像解析では、左右の眼・鼻・口の左右の端の５か所をノードにみたてて、各ノードに画像をあらわす１０次元と位置の２次元をあわせた１２次元の状態変数をわりあてる。各ノードに対応する局所画像に基づいて、隠れ変数である１２次元の状態変数を推定する。この際にノンパラメトリックな確率伝搬法を用いる。すると、５か所のうちの一部が隠ぺいされていても、他の領域からのメッセージに基づいて、隠れている部分の画像パターンや位置を推定できる。

3D Probabilistic Feature Point Model for Object Detectoin and Recognition

 3D Probabilistic Feature Point Model for Object Detection and Recognition

画像に映った特徴点に基づいて、姿勢と顔の形状の推定をおこなう。推定用にreferする特徴点と、推定した姿勢に基づいて位置の検討をつける特徴点とに分けて議論。

形状は、特徴点の位置に関する固有空間上の座標で記述。カメラには弱透視投影を採用。形状とカメラパラメータはClosed Formで解ける。RANSACと似た要領で、referenceの特徴点に基づいて姿勢と形を推定し、それ以外の特徴点で整合性を検証し、全組み合わせのなかから最適なものを選択する。

特徴点に基づいた議論としては、メインストリームに位置する発表。

Training Support Vector Machines: an Application to Face Detection

Training Support Vector Machines: an Application to Face Detection - Osuna, Freund, Girosi (ResearchIndex)

SVMで顔とそれ以外の画像を区別する識別器を構成。学習データの数が多い時、２次計画問題の規模も大きくなる。この規模を小さくするために、support vectorの数がデータ数にくらべると小さいことを利用して、全体を２分割して、そのうちの一方で２次計画問題を解き、support vectorに選ばれなかったデータを学習に用いてなかったデータと交換する手法を提案。学習前に背景のマスキング、明暗の正規化、ヒストグラムの正規化をおこなう。姿勢ごとに学習の必要あり。

特徴点の数を減らす工夫

Face reconstruction from a small number of featur points

あらかじめ顔形状の変形ベクトル場の固有空間を計算しておく。次に、少数の特徴点の移動量を画像から計測する。計測された特徴点の移動量を説明できるような変形ベクトル場を最小二乗法で求める。

いたってシンプルな方法。その少数の特徴点としてどの点を選択するかの尺度は示されていない。3次元のＣＧモデルがあれば、表情による顔の形状変化や照明変化の固有空間を求める助けになる。

Compressed Sensing

例えば。

Robust face recognition via sparse representation

within our proposed framework, the theory of compressed sensing implies that the precise choise of feature space is no longer critical.

十分なサンプルを記憶しておくとき、新たに観測した対象を表すのに必要なサンプルは、記憶しておいたサンプルのうちのごく一部である、ということを積極的に活用。正則化最小二乗法のlasso（パターン認識と機械学習（上）p.143)がミソ。

同様の発想の応用範囲は広そう。画像からの特徴抽出の役割が無くなることはないと思うけれども、その位置付けについては再検討が必要なのではないか。

パターン認識と機械学習 上 - ベイズ理論による統計的予測

• 作者: 元田浩, 栗田多喜夫, 樋口知之, 松本裕治, 村田昇


• 出版社/メーカー: シュプリンガー・ジャパン株式会社


• 発売日: 2007/12/10


• メディア: 単行本