1. 物体識別のための Adaboost を用いた入力特徴の評価 物体識別のための Adaboost を用いた 入力特徴の評価 情報工学科 藤吉研究室 EP02132 土屋成光

2. 物体識別のための Adaboost を用いた入力特徴の評価 背景 物体（車両）識別 – 屋外監視システム – 歩行者 ITS 高精度な物体識別 – 識別器の構築 – 入力特徴の選定

3. 物体識別のための Adaboost を用いた入力特徴の評価 背景 識別手法 – Neural Network(ANN) – Adaboost.M2 – SVM 入力特徴 – クラスの分離 表現できる 識別精度向上 表現できない 識別精度は向上せず

4. 物体識別のための Adaboost を用いた入力特徴の評価 目的 特徴量の貢献度を求める – Adaboost 重み付き多数決による識別器 → 重みを評価に用いる → 入力特徴を選定する指標

5. 物体識別のための Adaboost を用いた入力特徴の評価 識別タスク 屋外環境下で撮影した動画像 移動体をフレーム間差分により検出 4 クラスに識別 自動車 (VH) 人 (SH) 人複数 (HG) 自転車 (BK)

6. 物体識別のための Adaboost を用いた入力特徴の評価 物体識別に用いる特徴量 形状情報に基づいた特徴 テクスチャ情報に基づいた特徴 時間変化情報に基づいた特徴

7. 物体識別のための Adaboost を用いた入力特徴の評価 形状情報に基づいた特徴量 正規分布の縦横比、傾き（ AS ） 輪郭線の複雑度（ CS ）

8. 物体識別のための Adaboost を用いた入力特徴の評価 テクスチャ情報に基づいた特徴量 各方向エッジ – 垂直エッジ（ V ） – 水平エッジ（ H) – 右上がりエッジ（ R-U ） – 左上がりエッジ（ L-U ） 垂直エッジ 水平エッジ 右上がりエッジ 左上がりエッジ

9. 物体識別のための Adaboost を用いた入力特徴の評価 時間変化情報に基づいた特徴 オプティカルフローの分散（ OF ） 人 人複数 自転車 自動車 分散（非剛体） 収束（剛体）

10. 物体識別のための Adaboost を用いた入力特徴の評価 Adaboost 低精度の識別関数の集合から高精度な識別関数を導く手 法 学習により得られた識別関 数 入力データ 各識別関数の信頼度 最終的な識別関数

11. 物体識別のための Adaboost を用いた入力特徴の評価 – の総数によって重みが異なる 一意に扱えない – 正規化 信頼度 – の識別結果をどの程度反映するか の識別性能を元に算出 Adaboost による各特徴の貢献度評価 弱識別器 – 特徴量 の閾値判別 – 最も識別性能の高い特徴量

12. 物体識別のための Adaboost を用いた入力特徴の評価 貢献度 – 特徴量 の貢献度 ：識別器 で選択された特徴量 Adaboost による各特徴の貢献度評価 → 客観的な特徴量の評価 全信頼度の何割がその特徴量を参照しているか

13. 物体識別のための Adaboost を用いた入力特徴の評価 実験概要 貢献度と誤識別率の比較 – 当該特徴を除いて学習した際の ANN の誤識別率 – 各クラス 200 枚の画像 当該特徴が識別に貢献している → 誤識別率 大

14. 物体識別のための Adaboost を用いた入力特徴の評価 実験結果 貢 献 度 [%] AS CS V H R-U L-U OF 誤識別率 [%] 貢献度 [%] 自動車 (VH) 誤 識 別 率 [%]

15. 物体識別のための Adaboost を用いた入力特徴の評価 実験結果 R=0.50R=0.74 R=0.83R=0.85 自動車 (VH) 人 (SH) 人複数 (HG) 二輪車 (BK) AS CS V H R-U L-U OF

16. 物体識別のための Adaboost を用いた入力特徴の評価 まとめ Adaboost を用いた特徴量評価法を提案 – 重みを用いて貢献度を表現 – 識別性能との相関性を確認 → 入力特徴選定の指針となる 今後の予定 – 各特徴量の相関関係の評価法の検討

17. 物体識別のための Adaboost を用いた入力特徴の評価 終わり

18. 物体識別のための Adaboost を用いた入力特徴の評価 正規分布の当てはめ方法について 物体ピクセルの２次元 (x,y 座標 ) の分布に対して， 正規分布を当てはめる → 当てはめには， EM アルゴリズムを使用

19. 物体識別のための Adaboost を用いた入力特徴の評価 AdaBoost のアルゴリズム 1. Input ：, Training dataset 2. Initialize ： 3. Do for 4. Output: Final hypothesis with weights

20. 物体識別のための Adaboost を用いた入力特徴の評価 識別器

21. 物体識別のための Adaboost を用いた入力特徴の評価 識別率 92.68% 識別率 97.16% 識別率 97.56% 識別率 98.37% 識別率 100.0% Adaboost による識別例 逐次的に識別境界が変化する 識別率 84.35%