Анализ Изображений. Часть 2. Детектирование объектов

Размер: px
Начинать показ со страницы:

Download "Анализ Изображений. Часть 2. Детектирование объектов"

Транскрипт

1 Анализ Изображений. Часть 2. Детектирование объектов

2 Материалы Наталья Васильева Антон Конушин

3 Object detection

4 Stuff and Things Объекты Имеют форму и размер Машина Человек Дерево Материалы Некоторая текстура Нет размера и формы Трава Небо Дорога

5 Результат работы Структурныи выход Обычно ограничивающии прямоугольник, а не одна метка как в классификации Положение обычно задае тся при тренировке

6 Основная метрика качества IoU Area of Overlap Area of Union Детекция сработала, если IoU > 0.5

7 Задача многоклассовой детекции Пример - PASCAL Visual Object Classes (VOC) Dataset and Challenge 20 классов: aeroplane, bicycle, boat, bottle, bus, car, cat, chair, cow, dining table, dog, horse, motorbike, person, potted plant, sheep, train, TV Реальные изображения из flickr, не фильтровались по качеству

8 Задача детектирования определенных объектов Пешеходы Лица Дорожные знаки Автомобили

9 Сопоставление шаблонов «Pattern matching» - простеи шии алгоритм для выделения объектов Фиксируем изображение объекта («шаблон») Сканируем шаблоном все целевое изображение, сравнивая фрагменты целевого изображения с шаблоном

10 Сопоставление шаблона

11 Sliding window Сканирующее окно - вариант сегментации изображения на прямоугольники с пересечением Рассматриваем только прямоугольную область (окно) Если выбрали точно, то в эту область попаде т только лицо Можем просмотреть все области, «сканируя» окном изображение

12 Классификация окон Обычная задача классификации

13 Шаблон на картах краев Фича distance transform Классификатор порог по hausdorff distance

14 HOG Карты крае в учитывают только моды градиентов, и ни учитывают слабых градиентов и их ориентации Можем использовать дескриптор SIFT как вектор признак изображения Идея была изначально предложена для пешеходов, но затем стала широко применяться Прямоугольное окно 64 x 128 пикселов разобье м на ячеи ки (cells) 8 x 8 пикселеи В каждои ячеи ке посчитаем гистограмму ориентации градиентов (8 корзин)

15 Примеры HOG

16 Обучение детектора Сколько на изображении объектов «пешеход» и сколько фрагментов фона? Выделение объектов ассиметричная задача: объектов гораздо меньше, чем «не-объектов» Вдобавок, класс «не объект» очень сложныи нужно много разных данных для обучения Нужно большое и равное число сложных примеров объектов и фонов

17 Поиск торса Хотим построить детектор «верхнеи части тела и головы» Воспользуемся схемои HOG + линеи ныи SVM Данные 33 фрагмента фильмов из базы Hollywood кадров с размеченным объектами На каждом кадре отмечены 1-3 человека, всего 1607 людеи, это маловато

18 Положительные окна

19 Размножение данных

20 Jittering/Augmentation Небольшие изменения картинки: Сдвиги Отображения Повороты Изменения масштаба Augmentation наращивание базы данных за счет jittering и других преобразований

21 Искаженные примеры Из 1607 эталонных примеров получили ~32000 искаженных (jittered) примеров Сколько отрицательных примеров можно набрать из 1100 кадров? Гораздо больше 32k. Вспомним SVM нам нужны «трудные примеры» для фона. Как их наи ти, если мы всего можем выбрать ~32k для фона?

22 Hard-negative mining for bootstrapping Выбираем отрицательные примеры случаи ным образом Обучаем классификатор Применяем к данным Добавляем ложные обнаружения к выборке Повторяем

23 Выборка фона не первой итерации

24 Трудные примеры Ищем ложные обнаружения с высоким реи тингом Используем их как трудные отрицательные примеры Затраты: (количество изображении ) x (поиск в каждом)

25 Выборка трудного фона

26 Сравнение Трудные примеры очень важны для обучения детектора Их приходится отдельно искать Но иногда использование только сложных примеров «портит» детектор, поэтому нужны и простые отрицательные примеры

27 Резюме алгоритма Используем скользящее окно Вычисляем вектор-признак на основе HOG Разбиваем окно на ячеи ки В каждои ячеи ке считаем гистограмму ориентации градиентов Обучаемыи линеи ныи SVM Для обучения: Размножаем (шевелим) эталонные примеры объектов Используем схему bootstrapping для выбора примеров фона На первои стадии бере м случаи ные окна для фона На следующих стадиях выбираем ложные срабатывания детектора как «трудные» примеры

28 Проблемы sliding window

29 Проблемы sliding window

30 Разный размер объектов Сканируем окнами разного размера

31 Разный размер объектов Вместо изменения размеров рамки можем построить «пирамиду» изображении разных размеров и сканировать однои рамкои Сколько потребуется масштабов? Часто 50-70, для неи росетеи требуется меньше

32 Разные пропорции объектов Будем сканировать рамками разных пропорции С учетом масштабов нам приде тся сканировать N_рамок x N_масштабов раз Поэтому общее количество сканировании может достигать

33 Множественные отклики В одном масштабе может быть множество откликов разнои силы Мы выберем из них точки, в которых значение достигает локального максимума («Подавление не- максимумов») При наличии нескольких масштабов нужно выбирать максимальные значения по 3х мернои области

34 Перекрытия

35 Требования к детектору (лиц) Для изображения в 1МП нужно просмотреть порядка 1М окон На одном изображении обычно 0-10 лиц Чтобы избежать ложных обнаружении (false positives) ошибка 2го рода должна быть ниже 10-6 Нужно быстро отбрасывать ложные окна

36 Детектор Viola-Jones Основополагающии метод для поиска объектов на изображении в реальном времени Обучение очень медленное, но поиск очень быстр Основные идеи: Признаки Хаара в качестве слабых классификаторов Интегральные изображения для быстрого вычисления признаков Бустинг для выбора признаков Каскад (Attentional cascade) для быстрои отбраковки окон без лица P. Viola and M. Jones. Rapid object detection using a boosted cascade of simple features. CVPR P. Viola and M. Jones. Robust real-time face detection. IJCV 57(2), 2004.

37 Признаки Хаара

38 Слабые классификаторы (чуть лучше монетки)

39 Пример

40 Интегральное изображение Значение каждого пиксела (x,y) равно сумме значении всех пикселов левее и выше пикселя (x,y) включительно Интегральное изображение рассчитывается за один проход cumsum

41 Вычисление суммы в прямоугольнике Пусть A,B,C,D значения интегрального изображения в углах прямоугольника DB Тогда сумма значении пикселов в исходном изображении вычисляется по формуле: sum = A B C + D 3 операции сложения для любого прямоугольника

42 Пример вычисления значения фильтра

43 Количество признаков для 24*24

44 Выбор признаков Для окна поиска 24x24 пиксела, число возможных прямоугольных признаков достигает ~160,000! В процессе поиска вычислять все признаки нереально Хорошии классификатор должен использовать лишь маленькое подмножество всевозможных признаков Будем выбирать нужные признаки и строить из них линеи ные комбинации с помощью бустинга Y. Freund and R. Schapire, A short introduction to boosting, Journal of Japanese Society for Artificial Intelligence, 14(5): , September, 1999.

45 Бустинг Определяем слабые классификаторы на основе прямоугольных признаков Для каждого этапа бустинга: Вычисляем каждыи прямоугольныи признак на каждом примере Выбираем наилучшии порог для каждого признака Выбираем наилучшии признак / порог Перевзвешиваем выборку Вычислительная сложность обучения: O(MNK) M этапов, N примеров, K признаков

46 Бустинг Первые два признака, выбранные бустингом Эта комбинация признаков дает 100% detection rate и 50% false positive rate

47 Бустинг для поиска лиц Классификатор из 200 признаков дает 95% точность и долю ложноположительных срабатывании 1 из 14084

48 Каскад (Attentional cascade) Начинаем с простых классификаторов, которые отбрасывают часть отрицательных окон, при этом принимая почти все положительные окна Положительныи отклик первого классификатора запускает вычисление второго, более сложного, классификатора, и т.д. Отрицательныи отклик на любом этапе приводит к немедленнои отбраковке окна

49 Каскад Медленные классификаторы применяются только к некоторым окнам существенное ускорение Управляем сложностью/скоростью классификатора: Количество опорных векторов [Romdhani et al, 2001] Количество признаков [Viola & Jones, 2001] Видом ядра SVM [Vedaldi et al, 2009] Маленькая и большая неи росеть

50 Каскад

51 Каскад Уровень обнаружения и доля ложноположительных срабатывании каскада можно оценить как произведение соответствующих уровнеи ошибок каждого этапа Уровень обнаружения 0.9 и доля ложноположительных срабатывании порядка 10-6 достигается с помощью каскада из 10 этапов, если на каждом этапе уровень обнаружения примерно равен 0.99 ( ) и доля ложноположительных примерно 0.30 ( )

52 Обучение каскада Задаем требуемые значения уровня обнаружения и доли ложноположительных срабатывании для каждого этапа Добавляем признаки до тех пор, пока параметры текущего этапа не достигнут заданного уровня Приходится понижать порог AdaBoost для максимизации обнаружения (в противоположенность минимизации общеи ошибки классификации) Тестирование на отдельном наборе (validation set) Если общии уровень ложноположительных срабатывании недостаточно низок, добавляем очереднои этап Ложные обнаружения на текущем этапе используются как отрицательные примеры на следующем этапе

53 Выборка для обучения 5000 лиц 300М отрицательных примеров Все фронтальные, уменьшенные до 24x24 пикселов Все нормированы 9500 изображении без лиц Большая изменчивость Разные люди Освещение Поза лица

54 Процесс обучения Обучение: недели на 466 MHz Sun рабочеи станции 38 этапов, всего 6061 признаков В среднем 10 признаков оцениваются для каждого окна на тестовои выборке На 700 Mhz Pentium III, детектор лиц обрабатывает одно изображение 384x288 пикселов за секунды 15Hz В 15 раз быстрее сравнимого по точности предшествующего метода (Rowley et al., 1998)

55 Пример работы

56 Viola-Jones Прямоугольные признаки как слабые классификаторы Интегральные изображения для быстрого вычисления признаков Бустинг для выбора признаков Каскад классификаторов для быстрого выбраковки отрицательных окон

57 Недостатки Viola-Jones Малое количество используемых каналов изображения и признаков Недостаточная точность Серые изображения, фильтры Хаара 10-6 слишком много ложных срабатывании Множественные отклики у правильных обнаружении «Дискретность» - возможность завершения только в конце этапа Очень долгое время обучения

58 Интегральные канальные признаки Цвет и градиенты очень показательны для многих классов Построим много (10 каналов) Яркость + цвета (LUV, HSV) 3 Норма градиента + отклики по направлениям 1+6 = 7 Признаки сумма значении в прямоугольнои области в заданном канале Быстро считаем через интегральные изображения P. Dolla r, Z. Tu, P. Perona and S. Belongie Integral Channel Features BMVC 2009,

59 Аппроксимация масштабов P. Dolla r, S. Belongie and P. Perona The Fastest Pedestrian Detector in the West BMVC 2010, R. Benenson,M.Mathias,R.Timofte,L.VanGool Pedestrian detection at 100 frames per second,cvpr2013

60 Мягкий каскад

61 Переговаривающиеся каскады

62 Разные ракурсы Качества признаков и классификатора может быть недостаточно для того, чтобы сделать детектор одновременно для всех ракурсов Обучаем набор детекторов для разных ракурсов («компоненты») Проблема сбора данных M. Mathias. et. al. Face detection without bells and whistles. ECCV2014

63 Многокомпонентный детектор Kristina Scherbaum and Hans-Peter Seidel Fast Face Detector Training Using Tailored Views ICCV 2013

64 Проблема с разметкой Разные люди и разные базы размечены немного по-разному Есть лица, которые лучше игнорировать, но за ошибку не считать Проблема «маленьких» лиц

65 Выделение лиц (2014) M. Mathias. et. al. Face detection without bells and whistles. ECCV2014

66 Пример роста точности


Антон Конушин

Антон Конушин Выделение объектов Антон Конушин http://courses.graphicon.ru/main/vision Many slides adopted from Svetlana Lazebnik, Ondra Chum, Alyosha Efros, Mark Everingham, Pedro Felzenszwalb, Rob Fergus, Kristen

Подробнее

Выделение объектов. Антон Конушин

Выделение объектов. Антон Конушин Выделение объектов Антон Конушин Many slides adopted from Svetlana Lazebnik, Ondra Chum, Alyosha Efros, Mark Everingham, Pedro Felzenszwalb, Rob Fergus, Kristen Grauman, Bastian Leibe, Ivan Laptev, Fei-Fei

Подробнее

«Мешок слов» оказался очень эффективным иснтрументов для распознавания изображений Часто используются совместно и разреженная и плотная версии:

«Мешок слов» оказался очень эффективным иснтрументов для распознавания изображений Часто используются совместно и разреженная и плотная версии: Резюме мешка слов «Мешок слов» оказался очень эффективным иснтрументов для распознавания изображений Часто используются совместно и разреженная и плотная версии: Мешок слов по характеристическим точкам

Подробнее

Детектирование объектов. Intel Delta-7 Course Осокин Даниил

Детектирование объектов. Intel Delta-7 Course Осокин Даниил Детектирование объектов Intel Delta-7 Course Осокин Даниил О чём может рассказать изображение? Internet of Things Group 2 О чём может рассказать изображение? Проверка Детектирование Идентификация Категоризация

Подробнее

Computer Graphics. Распознавание. by Daniel Drizhuk

Computer Graphics. Распознавание. by Daniel Drizhuk Computer Graphics Распознавание Распознавание Задача классификации Самообучающийся алгоритм Контроль правильности Оценка качества Алгоритм обучен Как оценить качество обучения? Предсказательная способность

Подробнее

Снижение разрешения гистограммы ориентированных градиентов для детекции объектов малого размера

Снижение разрешения гистограммы ориентированных градиентов для детекции объектов малого размера Санкт Петербургский государственный университет Математико Механический факультет Кафедра системного программирования Снижение разрешения гистограммы ориентированных градиентов для детекции объектов малого

Подробнее

Алгоритм детектирования лица

Алгоритм детектирования лица Алгоритм детектирования лица Виолы-Джонса Копелиович Михаил, аспирант Института математики, механики и компьютерных наук, kop@km.ru Алгоритмы детектирования лица На входе: изображение. На выходе: координаты

Подробнее

Детектирование объектов на изображениях

Детектирование объектов на изображениях Нижегородский государственный университет им. Н.И. Лобачевского Высокопроизводительные вычисления и алгоритмы компьютерного зрения Дружков П.Н., аспирант ВМК ННГУ Содержание Задача детектирования объектов

Подробнее

Классификация изображений

Классификация изображений Классификация изображений Анализ изображений и видео II Алексей Артамонов Computer Science Center 21 марта 2017 г Введение Зачем сравнивать изображения? Введение Зачем сравнивать изображения? Хотим классифицировать

Подробнее

Детектирование объектов, классический подход. Вадим Писаревский, руководитель проекта OpenCV, Intel Corporation

Детектирование объектов, классический подход. Вадим Писаревский, руководитель проекта OpenCV, Intel Corporation Детектирование объектов, классический подход Вадим Писаревский, руководитель проекта OpenCV, Intel Corporation Постановка задачи Определить положение (прямоугольник) и метку для каждого объекта (из определенного

Подробнее

Метод классификации объектов различных классов на видео потоке и на статичных изображениях

Метод классификации объектов различных классов на видео потоке и на статичных изображениях Метод классификации объектов различных классов на видео потоке и на статичных изображениях Роман Захаров СГАУ имени академика С.П. Королѐва, Самара, Россия. roman.zakharovp@yandex.ru Аннотация. Статья

Подробнее

Поиск и локализация объектов

Поиск и локализация объектов Поиск и локализация объектов Many slides adopted from Svetlana Lazebnik, Ondra Chum, Alyosha Efros, Mark Everingham, Pedro Felzenszwalb, Rob Fergus, Kristen Grauman, Bastian Leibe, Ivan Laptev, Fei-Fei

Подробнее

Курсовая работа на тему: «Детектор элементов лица для построения псевдотрехмерной графики»

Курсовая работа на тему: «Детектор элементов лица для построения псевдотрехмерной графики» Санкт-Петербургский Государственный Университет Математико-механический факультет Кафедра системного программирования Курсовая работа на тему: «Детектор элементов лица для построения псевдотрехмерной графики»

Подробнее

Анализ изображений и видео. Часть 2. Трекинг объектов на видео.

Анализ изображений и видео. Часть 2. Трекинг объектов на видео. Анализ изображений и видео. Часть 2. Трекинг объектов на видео. Трекинг объектов Есть видео (-поток или последовательность) в которои запечатлены двиижущиеся объекты Мы хотим отследить движения объектов

Подробнее

ПОСТРОЕНИЕ МОДЕЛИ ИЗОБРАЖЕНИЯ И ЕЁ ПРИМЕНЕНИЕ В ЗАДАЧАХ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ 1. Введение

ПОСТРОЕНИЕ МОДЕЛИ ИЗОБРАЖЕНИЯ И ЕЁ ПРИМЕНЕНИЕ В ЗАДАЧАХ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ 1. Введение ПОСТРОЕНИЕ МОДЕЛИ ИЗОБРАЖЕНИЯ И ЕЁ ПРИМЕНЕНИЕ В ЗАДАЧАХ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ 1. Введение Получение признакового описания изображений является одним из главных этапов в таких задачах машинного (технического)

Подробнее

Способ уменьшения вычислительной сложности процедуры обучения детектора лиц на базе метода Виолы-Джонса

Способ уменьшения вычислительной сложности процедуры обучения детектора лиц на базе метода Виолы-Джонса Труды МАИ. Выпуск 93 УДК 004.93'1 www.mai.ru/science/trudy/ Способ уменьшения вычислительной сложности процедуры обучения детектора лиц на базе метода Виолы-Джонса Козыревский В.К.*, Веселов А.И.** Санкт-Петербургский

Подробнее

МЕТОД ПАРАЛЛЕЛЬНОГО ВЫЧИСЛЕНИЯ ДЕСКРИПТОРА, ОСНОВАННОГО НА ИЗВЛЕЧЕНИИ ИНФОРМАТИВНОЙ ЧАСТИ ИЗОБРАЖЕНИЯ, ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ РАЗНЫХ КЛАССОВ

МЕТОД ПАРАЛЛЕЛЬНОГО ВЫЧИСЛЕНИЯ ДЕСКРИПТОРА, ОСНОВАННОГО НА ИЗВЛЕЧЕНИИ ИНФОРМАТИВНОЙ ЧАСТИ ИЗОБРАЖЕНИЯ, ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ РАЗНЫХ КЛАССОВ МЕТОД ПАРАЛЛЕЛЬНОГО ВЫЧИСЛЕНИЯ ДЕСКРИПТОРА, ОСНОВАННОГО НА ИЗВЛЕЧЕНИИ ИНФОРМАТИВНОЙ ЧАСТИ ИЗОБРАЖЕНИЯ, ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ РАЗНЫХ КЛАССОВ Р.К. Захаров Самарский государственный аэрокосмический университет

Подробнее

Классификация изображений. Many slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba and Svetlana Lazebnik

Классификация изображений. Many slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba and Svetlana Lazebnik Классификация изображений Many slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba and Svetlana Lazebnik На прошлой лекции Задачи Классификация,, регрессия, р, кластеризация Методы классификации

Подробнее

Введение в распознавание изображений, ч. 2

Введение в распознавание изображений, ч. 2 Введение в распознавание изображений, ч. 2 Антон Конушин Slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba, Jean Ponce and Svetlana Lazebnik План Лекция 3 Сопоставление шаблонов Основы сегментации

Подробнее

Быстрый Алгоритм Обнаружения Пешеходов по Видеоданным

Быстрый Алгоритм Обнаружения Пешеходов по Видеоданным Быстрый Алгоритм Обнаружения Пешеходов по Видеоданным Алексей Казаков, Александр Бовырин Факультет вычислительной математики и кибернетики Нижегородский государственный университет им. Н.И. Лобачевского,

Подробнее

Анализ изображений и видео. Часть 2. Локальные признаки

Анализ изображений и видео. Часть 2. Локальные признаки Анализ изображений и видео. Часть 2 Локальные признаки Материалы Наталья Васильева Антон Конушин Дескрипторы изображений Глобальные Вычисляются по всему изображению Локальные Вычисляются по окрестностям

Подробнее

ВЫДЕЛЕНИЕ ЛИЦА НА СНИМКЕ ИЗ ВИДЕОПОТОКА С ЦЕЛЬЮ ЕГО РАСПОЗНАВАНИЯ Умяров Н.Х., Федяев О.И. Донецкий национальный технический университет, Украина

ВЫДЕЛЕНИЕ ЛИЦА НА СНИМКЕ ИЗ ВИДЕОПОТОКА С ЦЕЛЬЮ ЕГО РАСПОЗНАВАНИЯ Умяров Н.Х., Федяев О.И. Донецкий национальный технический университет, Украина Секция. Искусственный интеллект и нейронные технологии 173 УДК 00.931 ВЫДЕЛЕНИЕ ЛИЦА НА СНИМКЕ ИЗ ВИДЕОПОТОКА С ЦЕЛЬЮ ЕГО РАСПОЗНАВАНИЯ Умяров Н.Х., Федяев О.И. Донецкий национальный технический университет,

Подробнее

ДЕТЕКТОРЫ ОСОБЕННОСТЕЙ В МЕТОДЕ ВИОЛЫ-ДЖОНСА...

ДЕТЕКТОРЫ ОСОБЕННОСТЕЙ В МЕТОДЕ ВИОЛЫ-ДЖОНСА... УДК 004.932.72'1 ДЕТЕКТОРЫ ОСОБЕННОСТЕЙ В МЕТОДЕ ВИОЛЫ ДЖОНСА, ПОСТРОЕННЫЕ НА ОСНОВЕ КОНЕЧНЫХ АВТОМАТОВ П.А. Скорынин Рассматривается модификация метода Виолы Джонса одного из самых эффективных методов

Подробнее

Обнаружение лиц на цветном растровом изображении с применением модифицированного метода Виолы-Джонса

Обнаружение лиц на цветном растровом изображении с применением модифицированного метода Виолы-Джонса УДК 004.9 Обнаружение лиц на цветном растровом изображении с применением модифицированного метода Виолы-Джонса МГТУ им. Н.Э. Баумана Вязовых М.В (maxvyaz@bmstu.ru), Зайцев К.И. (kirzay@gmail.com), Мухортов

Подробнее

382 Секция 7. Технологии и системы искусственного интеллекта

382 Секция 7. Технологии и системы искусственного интеллекта 382 Секция 7. Технологии и системы искусственного интеллекта УДК 004.931 Ткачук Е.О., Федяев О.И. Донецкий национальный технический университет Кафедра прикладной математики и информатики flaringrep@gmail.com

Подробнее

Уменьшение размерности признаковых описаний 25

Уменьшение размерности признаковых описаний 25 Уменьшение размерности признаковых описаний 25 22. Chang F.-C., Mott H. On the matrix related to the partial fraction expansion of a proper rational function // Proc. of the IEEE. 1974. Vol. 62(8). P.

Подробнее

Распознавание изображений. Slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba, Jean Ponce and Svetlana Lazebnik

Распознавание изображений. Slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba, Jean Ponce and Svetlana Lazebnik Распознавание изображений Slides adapted from Fei-Fei Li, Rob Fergus, Antonio Torralba, Jean Ponce and Svetlana Lazebnik План лекции Введение в классификацию образов с помощью машинного обучения Некоторые

Подробнее

Алгоритм множественного трекинга пешеходов

Алгоритм множественного трекинга пешеходов Алгоритм множественного трекинга пешеходов Роман Захаров Самарский государственный аэрокосмический университет, Самара, Россия roman.zakharovp@yandex.ru Аннотация В данной работе приводится алгоритм множественного

Подробнее

1. Введение. Ключевые слова: нейронные сети, ADABOOST, признаки Хаара, детекция объектов, обработка изображений.

1. Введение. Ключевые слова: нейронные сети, ADABOOST, признаки Хаара, детекция объектов, обработка изображений. УДК 681.518:004.9 Построение классификаторов с использованием искусственных нейронных сетей и принципа ADABOOST А. В. Стадник, А. В. Кравчук, К. И. Гулина Кафедра прикладной математики и информатики Международный

Подробнее

Face Detection with CUDA. Fairmont Hotel, San Jose Anton Obukhov, NVIDIA

Face Detection with CUDA. Fairmont Hotel, San Jose Anton Obukhov, NVIDIA Face Detection with CUDA Fairmont Hotel, San Jose 10.02.2009 Anton Obukhov, NVIDIA Всѐ должно быть сделано настолько простым, насколько это возможно, но не проще Альберт Эйнштейн Взгляд сверху Зачем нужно

Подробнее

Подходы к оптимизации и распараллеливанию вычислений в задаче детектирования объектов разных классов на изображении

Подходы к оптимизации и распараллеливанию вычислений в задаче детектирования объектов разных классов на изображении Подходы к оптимизации и распараллеливанию вычислений в задаче детектирования объектов разных классов на изображении 1. Введение Е.А. Козинов, В.Д. Кустикова, И.Б. Мееров, А.Н. Половинкин, А.А. Сиднев Нижегородский

Подробнее

Построение устойчивых признаков для алгоритма Виолы и Джонса в задаче классификации транспортных средств

Построение устойчивых признаков для алгоритма Виолы и Джонса в задаче классификации транспортных средств Построение устойчивых признаков для алгоритма Виолы и Джонса в задаче классификации транспортных средств Котов А. А. Московский физикотехнический институт (государственный университет) kotov.alex.22@gmail.com

Подробнее

Использование нейросети и SIFT дескрипторов для сравнения изображений

Использование нейросети и SIFT дескрипторов для сравнения изображений # 06, июнь 2016 УДК 004.932 Использование нейросети и SIFT дескрипторов для сравнения изображений Введение Савонин А.И., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение

Подробнее

Компьютерное зрение и обработка изображений Лекция 18 Распознавание лиц

Компьютерное зрение и обработка изображений Лекция 18 Распознавание лиц Компьютерное зрение и обработка изображений Лекция 18 Распознавание лиц Я.М.Демяненко dem@math.sfedu.ru Южный федеральный университет Институт математики, механики и компьютерных наук 2017 Я.М.Демяненко

Подробнее

Правительство Российской Федерации

Правительство Российской Федерации Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет «Высшая школа экономики» Факультет Компьютерных

Подробнее

Кафедра системного программирования. Русинов Павел Александрович

Кафедра системного программирования. Русинов Павел Александрович Правительство Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Санкт-Петербургский государственный университет» Кафедра системного

Подробнее

Метод выделения похожих изображений на основе применения SIFT дескрипторов

Метод выделения похожих изображений на основе применения SIFT дескрипторов УДК 004.932 Метод выделения похожих изображений на основе применения SIFT дескрипторов Савонин А.И., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение ЭВМ и информационные

Подробнее

Разработка компонента системы анализа видеоизображения

Разработка компонента системы анализа видеоизображения Разработка компонента системы анализа видеоизображения Выполнил: Тимиргалиев Роберт Асуатович Руководитель: ст. преподаватель, Заковряшин Юрий Дмитриевич Цели и задачи работы Цель: разработка программного

Подробнее

УДК 004.931 Обучение классификатора ВиолыДжонса для локализации автомобильных номерных знаков Таранян А.Р., аспирант Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные Системы и

Подробнее

УДК 681.5: Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко

УДК 681.5: Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко УДК 681.5:004.93 Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко Рассмотрен вопрос выделения границ детектором Кенни. Алгоритм реализован

Подробнее

Обнаружение и распознавание лиц на изображении

Обнаружение и распознавание лиц на изображении Обнаружение и распознавание лиц на изображении Computer Science Center Анализ Изображений и Видео - 2 Алексей Артамонов, Григорий Рожков 17 марта 2016 г. План Обнаружение лиц Обнаружение кожи Ada Boost

Подробнее

Методы сопровождения объектов. Леонид Бейненсон

Методы сопровождения объектов. Леонид Бейненсон Методы сопровождения объектов Леонид Бейненсон 1 План: Общее описание методов сопровождения объектов Оптический поток и алгоритм Лукаса-Канаде Алгоритм сопровождения объектов Median flow 2 Сопровождение

Подробнее

Обобщение метода Виолы и Джонса в виде решающего дерева сильных классификаторов для распознавания объектов в видеопотоке в режиме реального времени

Обобщение метода Виолы и Джонса в виде решающего дерева сильных классификаторов для распознавания объектов в видеопотоке в режиме реального времени Обобщение метода Виолы и Джонса в виде решающего дерева сильных классификаторов для распознавания объектов в видеопотоке в режиме реального времени Минкина А.Г. ООО «Визиллект Сервис» minkina@visillect.com

Подробнее

ПРИМЕНЕНИЕ АЛГОРИТМОВ СЕГМЕНТАЦИИ ДЛЯ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ

ПРИМЕНЕНИЕ АЛГОРИТМОВ СЕГМЕНТАЦИИ ДЛЯ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ УДК 528.854.2 ПРИМЕНЕНИЕ АЛГОРИТМОВ СЕГМЕНТАЦИИ ДЛЯ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ Дмитриев Д.В., Капранов С.Н. ФГБОУ ВПО «Нижегородский государственный технический университет им. Р.Е. Алексеева», Нижний Новгород,

Подробнее

Н.Н. Алексеева, А.С. Иргит, А.А. Куртова, Ш.Ш. Монгуш

Н.Н. Алексеева, А.С. Иргит, А.А. Куртова, Ш.Ш. Монгуш Н.Н. Алексеева, А.С. Иргит, А.А. Куртова, Ш.Ш. Монгуш Применение методов обработки изображений к задаче распознавания васкулярного рисунка ладони С каждым годом возрастают требования к системам безопасности.

Подробнее

ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 2013 Управление, вычислительная техника и информатика 2(23) Н.Х. Фан, Т.Т. Буй, В.Г.

ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 2013 Управление, вычислительная техника и информатика 2(23) Н.Х. Фан, Т.Т. Буй, В.Г. ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 2013 Управление, вычислительная техника и информатика 2(23) УДК 004.392, 004.93 1 Н.Х. Фан, Т.Т. Буй, В.Г. Спицын РАСПОЗНАВАНИЕ ЖЕСТОВ НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ

Подробнее

Анализ принципа распознавания объектов на изображении методом Виолы Джонса

Анализ принципа распознавания объектов на изображении методом Виолы Джонса УДК 004.8/004.93/681.513.8;681.514 Я. О. Великий Анализ принципа распознавания объектов на изображении методом Виолы Джонса Национальный аэрокосмический университет им. Н. Е. Жуковского ХАИ Описан метод

Подробнее

Компьютерное зрение и обработка изображений Лекция 15 Распознавание лиц

Компьютерное зрение и обработка изображений Лекция 15 Распознавание лиц Компьютерное зрение и обработка изображений Лекция 15 Распознавание лиц Я.М.Демяненко dem@math.sfedu.ru Южный федеральный университет Институт математики, механики и компьютерных наук 2018 Я.М.Демяненко

Подробнее

244 Секция 6. Цифровая обработка сигналов и изображений

244 Секция 6. Цифровая обработка сигналов и изображений 244 Секция 6. Цифровая обработка сигналов и изображений УДК 004.93'1 Д. В. Астахов,С. А. Цололо Донецкий национальный технический университет, г. Донецк кафедра компьютерной инженерии ОСОБЕННОСТИ МЕТОДОВ

Подробнее

Выделение объектов и глубокие нейронные сети

Выделение объектов и глубокие нейронные сети Выделение объектов и глубокие нейронные сети Александр Сергеев НИУ Высшая школа экономики 26 мая 2016 г. Описание задачи Входные данные Изображение I или видео S = {I k }, k = 1, 2, 3,.... Выходные данные

Подробнее

«Видеонаблюдение» Антон Конушин, Вадим Конушин. Введение в компьютерное зрение Весна

«Видеонаблюдение» Антон Конушин, Вадим Конушин. Введение в компьютерное зрение Весна «Видеонаблюдение» Антон Конушин, Вадим Конушин Введение в компьютерное зрение Весна 2009 1 План лекции Видеонаблюдение со стационарной камеры Вычитание фона Поиск и отслеживание объектов Сравнение шаблонов

Подробнее

Анализ изображений и видео. Часть 1. Классификация изображений

Анализ изображений и видео. Часть 1. Классификация изображений Анализ изображений и видео. Часть 1 Классификация изображений Материалы Наталья Васильева Антон Конушин Типы классификации Бинарная Самолет или нет? 2 варианта ответа target лежит в {0,1} Многоклассовая

Подробнее

Анализ изображений. Часть 2. Сегментация изображений

Анализ изображений. Часть 2. Сегментация изображений Анализ изображений. Часть 2. Сегментация изображений Материалы Антон Конушин Наталья Васильева Виктор Лемпицкий Сегментация изображения Необходимо выбрать критерий по которому будем делить пиксели на похожие.

Подробнее

Быстрая обработка изображений на основе интегральных матриц изображений

Быстрая обработка изображений на основе интегральных матриц изображений 8М УДК 69.7 А.О. Макаров, В.В. Старовойтов Объединенный институт проблем информатики, г. Минск, Беларусь {makarau,valers}@newman.as-net. Быстрая обработка изображений на основе интегральных матриц изображений

Подробнее

Свёрточные сети для семантической сегментации изображений. Михаил Фигурнов ВМК МГУ 2014

Свёрточные сети для семантической сегментации изображений. Михаил Фигурнов ВМК МГУ 2014 Свёрточные сети для семантической сегментации изображений Михаил Фигурнов ВМК МГУ 2014 Семантическая сегментация изображений Дано: RGB изображение Найти: метку класса для каждого пикселя Традиционный способ

Подробнее

АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV

АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV 66 С.В. Томилов Большинство современных систем распознавания лиц очень чувствительны к характеристикам предъявляемых изображений. Поэтому перед непосредственным

Подробнее

Групповой проект кафедры РЗИ-1001 А. С. Иргит, студентка 4 курса, гр.189 Введение Алгоритм работы метода SURF

Групповой проект кафедры РЗИ-1001 А. С. Иргит, студентка 4 курса, гр.189 Введение Алгоритм работы метода SURF Групповой проект кафедры РЗИ-1001 А. С. Иргит, студентка 4 курса, гр.189 Научный руководитель А.В. Максимов, старший преподаватель кафедры РЗИ г. Томск, ТУСУР, РТФ, nice.irgit@inbox.ru Введение Развитие

Подробнее

Компьютерная Графика и Мультимедиа

Компьютерная Графика и Мультимедиа Компьютерная Графика и Мультимедиа Авторы: Александр Вежневец Авторы: Владимир Вежневец Усиление простых классификаторов - подход к решению задачи классификации (распознавания), путём комбинирования примитивных

Подробнее

РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА БАЗЕ АЛГОРИТМА ВИОЛЫ-ДЖОНСА

РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА БАЗЕ АЛГОРИТМА ВИОЛЫ-ДЖОНСА УДК 004.93'11 Азаров Д. М. Магистрант инфокоммуникационных технологий и систем связи Санкт-Петербургский государственный университет Аэрокосмического приборостроения Гильмутдинов М. Р. доцент, к.т.н. Санкт-Петербургский

Подробнее

Правительство Российской Федерации

Правительство Российской Федерации Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский университет «Высшая школа экономики»

Подробнее

Известия Томского политехнического университета Т Буй Тхи Тху Чанг, Фан Нгок Хоанг, В.Г. Спицын

Известия Томского политехнического университета Т Буй Тхи Тху Чанг, Фан Нгок Хоанг, В.Г. Спицын Известия Томского политехнического университета. 2012. Т. 320. 5 Выводы Предложен и реализован новый алгоритм для распознавания руки на основе SURF-дескрипторов и нейронной сети. Изложен новый метод генерации

Подробнее

Алгоритм быстрого построения дескрипторов изображения, основанных на технике гистограмм ориентированных градиентов

Алгоритм быстрого построения дескрипторов изображения, основанных на технике гистограмм ориентированных градиентов 84 Информатика, математическое моделирование, экономика ТРУДЫ МФТИ. 2013. Том 5, 3 УДК 004.93 1 Г. Б. Южаков ФГУП ЦНИИХМ Московский физико-технический институт (государственный университет) Алгоритм быстрого

Подробнее

Использование областей перекрытия в задаче сегментации видео

Использование областей перекрытия в задаче сегментации видео Использование областей перекрытия в задаче сегментации видео Александр Новиков Video Group CS MSU Graphics & Media Lab Содержание Введение Классификация движущихся объектов Трекинг границ Детектор областей

Подробнее

Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами

Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами С.А. Гладилин, А.А. Котов, Д.П. Николаев, С.А. Усилин Аннотация. В работе исследован

Подробнее

Научный руководитель: Алфимцев А.Н., к.т.н, доцент

Научный руководитель: Алфимцев А.Н., к.т.н, доцент УДК 681.327.1 # 12, декабрь 2015 Проектирование системы распознавания динамического поведения людей Демин Н.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные системы

Подробнее

HOG+HOF+CSS дескриптор в задаче распознавания пешеходов

HOG+HOF+CSS дескриптор в задаче распознавания пешеходов Санкт-Петербургский государственный университет Математико-механический факультет Кафедра системного программирования HOG+HOF+CSS дескриптор в задаче распознавания пешеходов Курсовая работа студента 344

Подробнее

Применение активного обучения к методу Виола-Джонса поиска объектов на изображении

Применение активного обучения к методу Виола-Джонса поиска объектов на изображении Применение активного обучения к методу Виола-Джонса поиска объектов на изображении Александр Жуковский Московский физикотехнический институт (научно исследовательский университет) zhukovsky@phystech.edu

Подробнее

Композиции алгоритмов машинного обучения ДЕРЕВЬЯ РЕШЕНИЙ

Композиции алгоритмов машинного обучения ДЕРЕВЬЯ РЕШЕНИЙ Композиции алгоритмов машинного обучения BAGGING, BOOSTING ДЕРЕВЬЯ РЕШЕНИЙ Комитеты моделей Можно выбрать из нескольких моделей одну. Как можно использовать несколько моделей сразу? Комитеты обучаем несколько

Подробнее

УДК 004.93 Исследование методов формирования вектора признаков изображения лица с использованием фильтров Габора Лаврова Е.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Биомедицинские

Подробнее

Анализ Изображений. Часть 1. Обработка изображений. Часть 2

Анализ Изображений. Часть 1. Обработка изображений. Часть 2 Анализ Изображений. Часть 1. Обработка изображений. Часть 2 Материалы. Наталья Васильева Антон Конушин План лекции. Выделение компонент связности Выделение краев Математическая морфология Бинаризация В

Подробнее

АО «НИИ ТЕЛЕВИДЕНИЯ» СПбГЭТУ «ЛЭТИ» А. В. Морозов; Ю. В. Баскова, А. И. Бобровский, В. А. Павлов

АО «НИИ ТЕЛЕВИДЕНИЯ» СПбГЭТУ «ЛЭТИ» А. В. Морозов; Ю. В. Баскова, А. И. Бобровский, В. А. Павлов А. В. Морозов; Ю. В. Баскова, А. И. Бобровский, В. А. Павлов. -2018- Актуальность Основная область применения предложенного алгоритма космические телевизионные системы астроориентации, сопровождения и

Подробнее

Библиотека БГУИР. min. УДК 004.5; Дудкин А.А., Воронов А.А., Марушко Е.Е. АЛГОРИТМ СШИВКИ КАДРОВ СЛОЯ ТОПОЛОГИИ СБИС ПО КЛЮЧЕВЫМ ТОЧКАМ

Библиотека БГУИР. min. УДК 004.5; Дудкин А.А., Воронов А.А., Марушко Е.Е. АЛГОРИТМ СШИВКИ КАДРОВ СЛОЯ ТОПОЛОГИИ СБИС ПО КЛЮЧЕВЫМ ТОЧКАМ УДК 004.5; 621.38 Дудкин А.А., Воронов А.А., Марушко Е.Е. АЛГОРИТМ СШИВКИ КАДРОВ СЛОЯ ТОПОЛОГИИ СБИС ПО КЛЮЧЕВЫМ ТОЧКАМ Введение. При изготовлении сверхбольших интегральных микросхем (СБИС) важным является

Подробнее

Машинное обучение. Косатый Дмитрий. 21 ноября 2015 г. Математико-механический факультет СПбГУ

Машинное обучение. Косатый Дмитрий. 21 ноября 2015 г. Математико-механический факультет СПбГУ Машинное обучение Косатый Дмитрий Математико-механический факультет СПбГУ 21 ноября 2015 г. Косатый Дмитрий Машинное обучение 1 / 31 Содержание Введение 1 Введение Пример Диаграмма машинного обучения 2

Подробнее

Вычисление оптического потока для выделения транспортных средств на видеоизображении

Вычисление оптического потока для выделения транспортных средств на видеоизображении УДК.004.01 Вычисление оптического потока для выделения транспортных средств на видеоизображении П. А. Девайкин 1, А. В. Шикуть 1 1 МГТУ им. Н.Э. Баумана, Москва, 105005, Россия Рассмотрены алгоритмы вычисления

Подробнее

МЕТОДЫ И АЛГОРИТМЫ АВТОМАТИЧЕСКОГО ОПРЕДЕЛЕНИЯ ВОЗРАСТА И ЭМОЦИЙ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЯМ ЛИЦА

МЕТОДЫ И АЛГОРИТМЫ АВТОМАТИЧЕСКОГО ОПРЕДЕЛЕНИЯ ВОЗРАСТА И ЭМОЦИЙ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЯМ ЛИЦА НИЖЕГОРОДСКОЕ РЕГИОНАЛЬНОЕ ОТДЕЛЕНИЕ РОССИЙСКОГО НАУЧНО-ТЕХНИЧЕСКОГО ОБЩЕСТВА РАДИОТЕХНИКИ, ЭЛЕКТРОНИКИ И СВЯЗИ им. А. С. ПОПОВА 58-я Научно-техническая миниконференция МЕТОДЫ И АЛГОРИТМЫ АВТОМАТИЧЕСКОГО

Подробнее

ОБЗОР МЕТОДОВ РАСПОЗНАНИЯ ЛИЦ ПО 2D-ИЗОБРАЖЕНИЯМ. Элементы системы распознания лиц приведены на рис. 1.

ОБЗОР МЕТОДОВ РАСПОЗНАНИЯ ЛИЦ ПО 2D-ИЗОБРАЖЕНИЯМ. Элементы системы распознания лиц приведены на рис. 1. УДК 004.89 ОБЗОР МЕТОДОВ РАСПОЗНАНИЯ ЛИЦ ПО 2D-ИЗОБРАЖЕНИЯМ Адейкин С.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана кафедра «Системы обработки информации и управления» Научный руководитель:

Подробнее

Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP. Лабораторная работа Детектирование пешеходов

Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP. Лабораторная работа Детектирование пешеходов Нижегородский государственный университет им. Н.И. Лобачевского Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP Лабораторная работа Дружков П.Н., кафедра математической логики

Подробнее

Модификация алгоритма Виолы- Джонса для распознавания лиц. Калиниченко Ю.В.

Модификация алгоритма Виолы- Джонса для распознавания лиц. Калиниченко Ю.В. Модификация алгоритма Виолы- Джонса для распознавания лиц Калиниченко Ю.В. Возникающие проблемы на этапах распознавания эмоций Человек даже не замечает, как он просто справляется с задачами обнаружения

Подробнее

РУБРИКА: ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

РУБРИКА: ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ Абделаал М.Э., Усманова Ю.В. Метод обнаружения лица на фото с использованием способа Виолы-Джонса // Академия педагогических идей «Новация». Серия: Студенческий научный вестник. 2019. 5 (май). АРТ 401-эл.

Подробнее

Министерство образования и науки Российской Федерации

Министерство образования и науки Российской Федерации Министерство образования и науки Российской Федерации ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «САРАТОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИМЕНИ

Подробнее

Поиск и локализация объектов

Поиск и локализация объектов Поиск и локализация объектов Many slides adopted from Svetlana Lazebnik, Ondra Chum, Alyosha Efros, Mark Everingham, Pedro Felzenszwalb, Rob Fergus, Kristen Grauman, Bastian Leibe, Ivan Laptev, Fei-Fei

Подробнее

Фильтрация ложных соответствий описателей особых точек изображений

Фильтрация ложных соответствий описателей особых точек изображений Фильтрация ложных соответствий описателей особых точек изображений Сергей Белоусов 1, Александр Шишков 2 1 ННГУ им. Н.И. Лобачевского, Нижний Новгород, Россия. belbes122@yandex.ru 2 Itseez, Нижний Новгород,

Подробнее

Получение глубины из движения камеры

Получение глубины из движения камеры Получение глубины из движения камеры Зачесов Антон Video Group CS MSU Graphics & Media Lab 30.03.2015 Содержание Введение Iterative Depth Estimation Live Scene Reconstruction Real-time Depth Estimation

Подробнее

ПОДХОДЫ К ОПТИМИЗАЦИИ И РАСПАРАЛЛЕЛИВАНИЮ ВЫЧИСЛЕНИЙ В ЗАДАЧЕ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ РАЗНЫХ КЛАССОВ НА ИЗОБРАЖЕНИИ 1

ПОДХОДЫ К ОПТИМИЗАЦИИ И РАСПАРАЛЛЕЛИВАНИЮ ВЫЧИСЛЕНИЙ В ЗАДАЧЕ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ РАЗНЫХ КЛАССОВ НА ИЗОБРАЖЕНИИ 1 УДК 519.6 ПОДХОДЫ К ОПТИМИЗАЦИИ И РАСПАРАЛЛЕЛИВАНИЮ ВЫЧИСЛЕНИЙ В ЗАДАЧЕ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ РАЗНЫХ КЛАССОВ НА ИЗОБРАЖЕНИИ 1 Е.А. Козинов, В.Д. Кустикова, И.Б. Мееров, А.Н. Половинкин, А.А. Сиднев Рассматривается

Подробнее

Применение нейронной сети в задаче детектирования железнодорожных светофоров

Применение нейронной сети в задаче детектирования железнодорожных светофоров А. Л. Приоров, М. А. Кулагин ФГБОУ ВО Ярославский государственный университет им. П.Г. Демидова Применение нейронной сети в задаче детектирования железнодорожных светофоров Представлен алгоритм детектирования

Подробнее

ДОКЛАДЫ БГУИР (93) ОБНАРУЖЕНИЕ ЛИЦА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ В БИОМЕТРИЧЕСКОЙ СИСТЕМЕ КОНТРОЛЯ ДОСТУПА И.И. ФРОЛОВ

ДОКЛАДЫ БГУИР (93) ОБНАРУЖЕНИЕ ЛИЦА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ В БИОМЕТРИЧЕСКОЙ СИСТЕМЕ КОНТРОЛЯ ДОСТУПА И.И. ФРОЛОВ ДОКЛАДЫ БГУИР 2015 7 (93) УДК 681.3 ОБНАРУЖЕНИЕ ЛИЦА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ В БИОМЕТРИЧЕСКОЙ СИСТЕМЕ КОНТРОЛЯ ДОСТУПА И.И. ФРОЛОВ Белорусский государственный университет информатики и радиоэлектроники

Подробнее

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ УДК 004.93 12 СОВРЕМЕННЫЕ ТЕХНОЛОГИИ РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МЕТОДА ВИОЛЫ-ДЖОНСА С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ВЫЧИСЛЕНИЙ

Подробнее

Поговорим о признаках

Поговорим о признаках Поговорим о признаках Задача: каждый фрагмент изображения описать набором признаков, чтобы можно было надежно сравнивать фрагменты (находить похожие), использовать для распознавания и т.д. f n = ( f,,

Подробнее

Трекинг объектов на видео при помощи фильтра частиц

Трекинг объектов на видео при помощи фильтра частиц Трекинг объектов на видео при помощи фильтра частиц Нижибицкий Евгений Алексеевич научный руководитель: д.ф.-м.н. Дьяконов А.Г. Московский государственный университет имени М. В. Ломоносова Факультет Вычислительной

Подробнее

Алгоритмы и программная система для выделения и распознавания объектов в видеопоследовательности

Алгоритмы и программная система для выделения и распознавания объектов в видеопоследовательности 1 На правах рукописи Чигорин Александр Александрович Алгоритмы и программная система для выделения и распознавания объектов в видеопоследовательности Специальность 5.13.11 математическое и программное

Подробнее

Секция 3 «ЭЛЕКТРОТЕХНИЧЕСКИЕ КОМПЛЕКСЫ И СИСТЕМЫ НА АВТОТРАНСПОРТНЫХ СРЕДСТВАХ»

Секция 3 «ЭЛЕКТРОТЕХНИЧЕСКИЕ КОМПЛЕКСЫ И СИСТЕМЫ НА АВТОТРАНСПОРТНЫХ СРЕДСТВАХ» СИСТЕМА ОБНАРУЖЕНИЯ ОБЪЕКТА В ЗОНЕ ДВИЖЕНИЯ АВТОМОБИЛЯ, С ИСПОЛЬЗОВАНИЕМ ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЯ к.т.н. Девочкин О.В., Сегеда С.В. МГТУ «МАМИ» Для снижения числа аварий на дорогах очень важно, что

Подробнее

Программный комплекс «Интерактивная информационная доска»

Программный комплекс «Интерактивная информационная доска» Программный комплекс «Интерактивная информационная доска» Дроздова Юлия Александровна ПГНИУ, Пермь, Россия. Аннотация. Статья посвящена вопросу создания программного комплекса «Интерактивная информационная

Подробнее

Обзор методов сопровождения объектов на видео Сергей Носов

Обзор методов сопровождения объектов на видео Сергей Носов Обзор методов сопровождения объектов на видео Сергей Носов Летняя школа Интел в ННГУ по компьютерному зрению 8 июля 2019 Пример (https://www.youtube.com/watch?v=tjx8bgoezti) Internet of Things Group Пишем

Подробнее

Разработка и программная реализация алгоритма обнаружения и сопровождения заданного объекта в потоковом виде АВТОРЕФЕРАТ БАКАЛАВРСКОЙ РАБОТЫ

Разработка и программная реализация алгоритма обнаружения и сопровождения заданного объекта в потоковом виде АВТОРЕФЕРАТ БАКАЛАВРСКОЙ РАБОТЫ Министерство образования и науки Российской Федерации ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «САРАТОВСКИЙ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

Подробнее

МОДЕЛЬ, АЛГОРИТМЫ И АППАРАТНО-ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ УПРАВЛЕНИЯ ОСВЕЩЕНИЕМ НА ОСНОВЕ СИСТЕМЫ ОХРАННОГО ТЕЛЕВИДЕНИЯ

МОДЕЛЬ, АЛГОРИТМЫ И АППАРАТНО-ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ УПРАВЛЕНИЯ ОСВЕЩЕНИЕМ НА ОСНОВЕ СИСТЕМЫ ОХРАННОГО ТЕЛЕВИДЕНИЯ Автоматизированные системы и комплексы 2013. 1(35) УДК 004+681 2013 г. О.С. Амосов, д-р техн. наук (Комсомольский-на-Амуре государственный технический университет), Ю.С. Иванов (Амурский гуманитарно-педагогический

Подробнее

МЕТОД УЛУЧШЕНИЯ АЛГОРИТМА ВИОЛЫ-ДЖОНСА

МЕТОД УЛУЧШЕНИЯ АЛГОРИТМА ВИОЛЫ-ДЖОНСА Математические структуры и моделирование 2014. 4(32). С. 83 88 УДК 519.711.3 МЕТОД УЛУЧШЕНИЯ АЛГОРИТМА ВИОЛЫ-ДЖОНСА А.Р. Нургатин аспирант, e-mail: nurgatin@csu.ru Челябинский государственный университет

Подробнее

Лекция 10 Градиентный бустинг

Лекция 10 Градиентный бустинг Лекция 10 Градиентный бустинг Е. А. Соколов ФКН ВШЭ 23 ноября 2018 г. Мы уже разобрались с двумя типами методов построения композиций бустингом и бэггингом, и познакомились с градиентным бустингом и случайным

Подробнее

Свёрточные сети в задачах компьютерного зрения

Свёрточные сети в задачах компьютерного зрения Свёрточные сети в задачах компьютерного зрения Антон Осокин ФКН ВШЭ 29.09.2017 Recap: классификация Задача классификации изображение решена! (почти) Вход сети изображение Выходы сети соответствуют классам

Подробнее

Расширение классификатора Виолы-Джонса на основе метода детектирования теней

Расширение классификатора Виолы-Джонса на основе метода детектирования теней # 12, декабрь 2015 УДК 004.931 Расширение классификатора Виолы-Джонса на основе метода детектирования теней Бунин А.В., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные

Подробнее