Hi there!

I am a student studying computer science.

728x90

컴퓨터 비전 19

8장 기계학습

지도 학습과 비지도 학습 지도학습 (Supervised learning) Tag를 가진 sample(x,t)로 구성된 학습 model 사용 •x는 특징 벡터이고 t는 x가 속한 부류 학습 모델 학습 모델은 매개변수 집합 Θ로 표현됨 (예, 그림 8-3에서 Θ는 분할 경계선을 표현) 모델 선택이 필요하면 추가적으로 검증 집합 사용 학습의 목표는 최적의 Θ 값을 찾는 것 •Θ 값이 얼마나 좋은지 측정하는 목적 함수 필요 학습 알고리즘의 원리 학습 집합을 사용하여 현재 Θ 값을 평가한 후, 개선하는 방향을 알아내 갱신 이런 과정을 수렴할 때까지 반복 error를 줄이는 방법으로 Θ 변경 일반화 능력 학습 과정에서 사용하지 않은 테스트 집합으로 학습이 완료된 분류기 성능을 평가 학습 집합과 테스트 집합에 대한 ..

컴퓨터 비전 2020.06.24

11장 3차원 비전

3차원 데이터, 주로 깊이 영상(depth image)을 다룬다. (물체가 카메라에서 얼마나 떨어져있는지) 초음파, 레이져 (키넥트 센서) 3차원 정보를 얻는 센서 밝기 차이는 거리를 의미한다. 먼부분은 발게, 가까운 부분은 어둡게 거리측정을 모든 점에서 하지는 못한다. 두 가지 연구 주제 •깊이 영상의 획득 •깊이 영상의 해석 (물체 분할, 추적, 인식 등) 스테레오 깊이 영상을 획득하는 방법 §수동적 방법 영상을 측정하기 위해서 2대 이상의 카메라를 사용하여 영상을 획득한 후 그들을 분석하여 깊이 정보를 알아내는 접근 방식을 사용한다. projector 사용안함. §능동적 방법 •장면에 어떤 무늬 또는 파를 쏜 후 그것을 분석하여 깊이를 알아낸다. •11.3절에서 능동 방법을 살펴본다. project..

컴퓨터 비전 2020.06.23

3장 에지 검출 - RANSAC (Random Sample Consensus)

RANSAC - 1981년 Fischler&Bolles이 제안 [Fischler81] - 인라이어를 찾아 어떤 모델을 적합시키는 기법이다. - 난수 생성하여 인라이어 군집을 찾기 때문에 임의성 지닌다. 인라이어와 아웃라이어가 혼합되어 있는 샘플 집합이 주어진 상황에서 인라이어를 찾아 어떤 모델을 적용시키는 일반적인 기법이다. 이 기법은 무작위로 수를 생성하여 인라이어 군비을 찾아내는 과정을 반복하므로 임의성을 지닌다. 선분 검출에 적용 모델은 직선의 방정식 y=ax+b - 이때 에지 화소의 집합이 샘플 집합이 된다 - 모델은 직선의 방정식이 y = ax+b이다. - RANSAC은 이 모델의 매개변수 a와 b를 추정해 준다. step1. 난수를 생성하여 임의로 두 개의 샘플을 선택한다. (그림에서 점선으로..

컴퓨터 비전 2020.05.13

3장 에지 검출 - 허프변환(Hough Transform)

허프 변환 - 에지 연결 과정 없이 선분 검출 (전역 연산을 이용한 지각 군집화) //연결 관계가 명확하지 않거나 잡음으로 인해 작은 조각으로 끊어져 있는 경우 좋다. //전체 공간을 조사하는 전역연산(global operation) //일직선 상에 있다고 지각하는 점들을 한 곳으로 모으는 원리 지각 군집화(perceptual grouping), clustring - 영상 공간 y-x를 기울기 절편 공간 b-a로 매핑 점(y_3, x_3)을 지나는 모든 좌표의 방정식 : y_3 = ax_3+b (1, 5) : 5 = 1a+b --> b = -1a+5 (2, 3) : 3 = 2a+b --> b = -2a+3 (4, 1) : 1 = 4a+b --> b = -4a+1 이 세 직선의 교점 (b_1,a_1)로 세..

컴퓨터 비전 2020.05.13

3장 에지 검출 - 캐니 에지

Google scholar : https://ieeexplore.ieee.org/abstract/document/4767851 A Computational Approach to Edge Detection - IEEE Journals & Magazine INSTITUTIONAL SUBSCRIBERS: Are you having difficulty accessing IEEE Xplore when working remotely? Try These Tips ieeexplore.ieee.org 앞 절은 ‘그럴듯해 보이는’ 에지 연산자 사용 1986년에 Canny 에지 발표 [Canny86] - 에지 검출을 최적화 문제로 해결하였다. - 좋은 에지 알고리즘이 갖추어야 할 세 가지 기준은 다음 3가지다. - 캐니 기..

컴퓨터 비전 2020.05.12

3장 에지 검출 - 영교차 이론(Zero-crossing)

영교차 이론 : 1980년에 Marr와 Hildreth가 개발 [Marr80] 이전에는 주로 Sobel operator를 사용했다. - 가우시안을 사용하는 이유 1. 미분은 잡음을 증폭시키므로 스무딩 적용이 중요하다. 미분을 하면 잡음의 값도 커지고 폭도 넓어졌다. - 가우시안을 사용하는 이유 2. σ를 조절하여 다중 스케일 효과 에지의 세밀함 조절 가능 σ = 0.5를 보면 에지가 확실히 검출된 것을 볼 수 있다. 그리고 σ가 커질수록 에지가 약해진다. 이와 같이 σ의 값으로 스무딩 정도(에지의 스케일)를 조절할 수 있다. - σ가 클 수록 : 영상의 디테일이 사라지고 큰 물체에 대한 에지만 검출 할 수 있다. - σ가 작을 수록 : 영상의 디테일에 해당하는 에지까지 검출가능하다. by. Marr 의 ..

컴퓨터 비전 2020.05.12

3장 에지 검출 - 에지 검출의 기초

에지의 유용성 물체의 경계를 표시해 준다. 매칭에 용이한 선분이나 곡선으로 변환 가능하다. 에지의 한계 실종된 에지 (거짓 부정), 거짓 에지 (거짓 긍정) 발생한다. 이들 오류를 어떻게 최소화할 것인가? 원리 물체 내부나 배경은 변화가 없거나 작은 반면, 물체 경계는 변화가 크다. 이 원리에 따라 에지 검출 알고리즘은 명암, 컬러, 또는 텍스처의 변화량을 측정하고, 변화량이 큰 곳을 에지로 검출한다. 디지털 영상의 미분 - 수학에서 변화를 측정하는 기초인 미분을 이용한다. - 연속함수 s(.)를 미분하여 도함수(derivate)를 구하는 원리를 보여준다. - x가 미세하게 증가하였을 때 s(.)가 어떻게 변화하는지 측정한다. - 연속 공간에서 미분 - 디지털 (이산) 공간에서 미분 에지 모델과 연산자 ..

컴퓨터 비전 2020.05.12

2장 영상처리 - 모폴로지(Morphology)

모폴로지이란? 형태학 원래 생물학에서 생물의 모양 변화를 표현하는 기법 수학적 모폴로지: 컴퓨터 비전에서 패턴을 원하는 형태로 변환하는 기법 이진 모폴로지 (Binary Morphology) 흰색과 검은색만 있는 영상에 적용하는 것! 구조 요소 (Structuring element) 2차원 array로 값이 0과 1 밖에 없다. f : 입력 이미지 t : 만큼 S : struct element 팽창 : 하나라도 1이면 모두 1 / 하나라도 걸치는 침식 : 하나라도 1이 아니면 0 / 쏙들어가는 열기 : 침식후 팽창 / 축소시켰다가 다시 확대하는 것 닫기 : 팽창후 침식 / 확대시켰다가 다시 축소하는 것 Erosion Example Dilation Example Closing – Dilation과 Eros..

컴퓨터 비전 2020.05.12
728x90