Transcript P - 中川研究室
Training of Classifiers Using Virtual Samples Only A. Kuhl, L. Krüger, C. Wöhler, U. Kreßel (2004) Proc. of ICPR ’04 二宮 崇 中川研 東大 機械学習勉強会 2008年11月13日 1 papers A. Kuhl, L. Krüger, C. Wöhler, U. Kreßel (2004) Training of Classifiers Using Virtual Samples Only, in Proc. of ICPR ’04 村瀬洋 (2004) 画像認識における生成型学習, 電子情報通信学会 信学技報 (Tech repo. of IEICE) 2 CG技術 3 画像認識のためのサンプル生成 CG技術で大量の正解データを生成 カメラの向き/位置を変える オブジェクトの向き/色/形状を変える 光の当て方を変える 4 Training of Classifiers Using Virtual Samples Only (Kuhl+2004) ギアボックスのフランジのタイプを同定 穴の数と位置がわかると同定できるので画像 中の穴を検出する 本物の写真 CG 5 Training of Classifiers Using Virtual Samples Only (Kuhl+2004) 全体の流れ 穴 学習 CADソフトから 作られた大量 のCG 候補 生成器 識別器 テスト 本物の写真 ごみ 6 候補生成と識別器 候補生成 入力: フランジの画像 出力: 16x16のビットマップによる穴の候補 binary components algorithm (Murtagh+1978) 識別器 SVM +polinomial kernel polinomial classifier+PCA 候補 生成器 識別器 7 実験 レンダリングソフト レイトレーシングソフト POVRay (http://www.povray.org) 8824の仮想サンプル (CG画像) データセット 全体の光量 フランジの回転 表面(画像?)の色の濃さ (surface gray level) 位置 ブラー効果 887の実サンプル 実画像の穴 実画像のごみ(=穴以外) 8 Surface Gray Level 9 Blurring 10 実験結果 SVMのエラーレート SVM (linear, 位置と光量の変化なし): 約5% SVM (linear, 全ての変化あり): 3.5% SVM (4次の多項式カーネル, 全ての変化あり): 1.6% SVM (2次の多項式カーネル, 全ての変化あり): classification rateが98.2% linear classifier+PCA 256素性(no PCA): あまりいい結果でなかった 50素性(by PCA): classification rateが約95% 20素性(by PCA): classification rateが97.5% 11 ROC曲線 正解 P N P P N P P N N P 識別器の出力 P P P P N N P N P P 識別器の出力 正解 P (穴) N (ごみ) P (穴) 5 (5/6) TP 1 (1/6) FN N (ごみ) 2 (2/4) FP 2 (2/4) TN 100% 穴を穴と判 定した率 TP FP 100% ごみを穴と判定した率 12 SVMでのROCカーブ 13 Linear Polynomial ClassifierでのROCカーブ 14 研究の文脈 正規化 入力 サンプル A 照合 正規化 サンプル生成 サンプル A A 入力 照合 15 研究の文脈 村瀬による分類 (村瀬2004「画像認識における生成型学習」) 正規化法 入力画像を前処理によって正規化して、標準パターンやモデルと照合する 生成型学習 微少な変動を学習パターンに加える 生成関数を用いた生成 (ぼけを加えるなど) 補間 (サンプル間の補間を生成) アフィン変換と補間 (はさみなどを動かした時の補間) 標準パターンの動的な生成 16 アフィン変換と補間 Learning by a Generation Approach to Appearance-based Object Recognition: H. Murase and S. K. Nayar, in Proc. of ICPR’96 17 そのほかの論文 キーワード virtual samples virtual examples noise injection 論文 A. Abu-Mostafa. Hints. Neural Computation, 7:639-671, 1995 G. An. The effects of adding noise during backpropagation training on a generalization performance. Neural Computation, 7:613-674, 1996 S. Cho and K. Cha. Evolution of neural network training set through addition of virtual samples. International Conference on Evolutionary Computation, 1996 D. M. Gavrila and J. Giebel. Virtual sample generation for template-based shape matching. Proc. of IEEE Conference on Computer Vision and Pattern Recognition, 1:676-681, 2001 D. Pomerleau. Neural network perception for mobile robot guidance. Kluwer Academic Publishing, 1993 M. Skurichina, S. Raudys, R. P. W. Duin, K-nearest neighbours directed noise injection in multi-layer perceptron training 18