Детектирование объектов. Intel Delta-7 Course Осокин Даниил

9 Генерация гипотез: Вычитание фона 1. Задано изображение фона. 2. Вычтем фон из текущего кадра, отбросим пиксели с незначительной разницей. 3. Полученная маска содержит гипотезы. Текущий кадр Порог Маска Модель фона Images credit: Internet of Things Group 9

10 Генерация гипотез: Сегментация Сегментация - процесс разделения изображения на несколько сегментов. 1. Пусть каждый пиксель - отдельный сегмент. 2. Пока число сегментов > 2: Объединить похожие по цвету сегменты. Объединить похожие по текстуре сегменты. Объединить похожие по размеру сегменты. Заполнить дырки в сегменте. Images credit: Internet of Things Group 10

11 Генерация гипотез: Скользящее окно 1. Окно фиксированного размера. Лицо - квадрат, 24х24 Пешеход - прямоугольник 64х Полный перебор таких окон на пирамиде изображений: исходное изображение сжимается в S раз вплоть до размера скользящего окна. Скользящее окно S = 1 S = 0.75 S = 0.5 Images credit: Internet of Things Group 11

12 Классификация: деревья решений (ортогональные) X = (x 1, x 2,, x n ) R n - вектор признаков объекта Y - класс, 0 - фон, 1 - объект Классификатор Пример: h 1 h 2 - порог - знак h 1 : θ 1 = 1.5, p 1 = 1 h 2 : θ 2 = 2.5, p 2 = -1 Если классификатор классифицировал фон как объект, то это ложное срабатывание (false positive). Internet of Things Group 12

13 Сильный классификатор. Адаптивный бустинг (AdaBoost) 1. Задана обучающая выборка: (X 1, Y 1 ),, (X m, Y m ), веса для каждого объекта w i = 2. Для t = 1 T 1. Для каждого j-го признака тренируется слабый классификатор h j, и вычисляется взвешенная ошибка классификации ε j : 2. Выбирается h j с наименьшей ошибкой ε. 3. Веса обновляются: e i = 0, если X i классифицировался корректно, 1 иначе. 4. Веса нормализуются. 3. Сильный классификатор: H(X) = Для задачи детектирования пешеходов T

, 0, иначе Internet of Things Group 13

14 Каскадный классификатор Вычислять сильный классификатор (сумму тысяч слабых) для каждого положения скользящего окна (десятки тысяч) долго. Разделим задачу на более простые подзадачи: будем тренировать серию (каскад) классификаторов, обучающихся на ошибках друг друга. H 1 H 2 H Z Зададим желаемый объем ложных срабатываний (false positive rate, FPR) и степень правильно классифицированных объектов (detection rate, DR) для каждого H i (стадия каскада). Internet of Things Group 14

15 Тренировка каскадного классификатора 1. Сформируем тренировочную базу, например для детектирования лиц выборка состоит из лиц и не лиц. 2. Тренируем сильный классификатор H 1 (стадию) до достижения заданных целей, обычно FPR 50%, DR 99.5%. Images credit: Исходная база изображений Тренировочная выборка для первого классификатора: позитивы и негативы одинакового размера, негативы вырезаны случайно из исходной базы негативов. Internet of Things Group 15

16 Тренировка каскадного классификатора H Исходная база негативов Тренировочная выборка для второго классификатора 3. Запустим H 1 на негативах, сформируем новую выборку негативов для тренировки (bootstrapping). Если число найденных негативов меньше порога, то тренировка завершена, иначе переходим на шаг 2 (тренируем следующую стадию каскада). 4. Составляем из натренированных сильных классификаторов каскадный классификатор: Images credit: Internet of Things Group 16

17 Каскадный классификатор. Пример Не лицо Images credit: Гипотезы Internet of Things Group 17

18 Каскадный классификатор. Пример Images credit: Internet of Things Group 18

19 Каскадный классификатор. Пример Гипотез Не лицо Images credit: Internet of Things Group 19

20 Каскадный классификатор. Пример 18 Лиц Не лицо Images credit: Internet of Things Group 20

21 Сравнение каскадного классификатора с монолитным (Viola & Jones, 2001) Paul Viola, Microsoft research Michael Jones, Merl Images credit: При сравнимом качестве, каскад в

10 раз быстрее. Internet of Things Group 21

22 Сможете найти лицо среди кофейных зерен? Images credit: Internet of Things Group 22

23 Простые признаки Как описать объект? Значения пикселей X = (50, 54, 52, 54. 186) Вектор признаков, 512х1 пикселей Пешеход, 16х32 пикселей Градиент Пешеход, 16х32 пикселей [-1 0 1] X = (0, 0, 38, 0. 0) Вектор признаков, 512х1 пикселей Internet of Things Group 23

24 Простые признаки Как описать объект? Значения пикселей X = (50, 54, 52, 54. 186) Вектор признаков, 512х1 пикселей Пешеход, 16х32 пикселей Градиент X = (0, 0, 38, 0. 0) Вектор признаков, 512х1 пикселей Пешеход, 16х32 пикселей [-1 0 1] Чем один признак (feature) может быть лучше другого? Internet of Things Group 24

25 Haar-like признаки Требование: признаки должны быстро вычисляться в любой точке изображения и при любом масштабе. Для быстрого вычисления используется интегральное изображение: Images credit: Internet of Things Group 25

26 Интегральное изображение Internet of Things Group 26

27 Гистограмма градиентов (HoG) 1. Вычислить горизонтальный, вертикальный градиенты в каждом пикселе изображения. 2. Найти магнитуду, ориентацию градиента. 3. Разделить изображение (64х128) на блоки 16х16 пикселей (всего 7 * 15 = 105 блоков), по 2х2 ячейки, каждая ячейка 8х8 пикселей. 4. Для каждой ячейки каждого блока построить гистограмму ориентации градиента. 5. Поблочная нормализация. 6. Конкатенация всех гистограмм формирует вектор признаков изображения: R 3780 Images credit: Internet of Things Group 27

28 Визуализация HoG Зеленым отложено насколько сильным был градиент в конкретной ячейке в данном направлении. Images credit: Internet of Things Group 28

29 HoG для детектирования пешеходов (Dalal & Triggs, 2005) INRIA, France Images credit: Internet of Things Group 29

30 Вопросы Images credit: Internet of Things Group 30

31 Статьи по детектированию объектов 1. P. Viola and M. Jones. Rapid Object Detection using a Boosted Cascade of Simple Features. CVPR N. Dalal and B. Triggs. Histograms of Oriented Gradients for Human Detection. CVPR P. Felzenszwalb, D. McAllester, and D. Ramanan. A Discriminatively Trained, Multiscale, Deformable Part Model. CVPR P. Dollar, Z. Tu, P. Perona, and S. Belongie. Integral Channel Features. BMVC P. Dollar, R. Appel, S. Belongie, and P. Perona. Fast Feature Pyramids for Object Detection. PAMI R. Girshick et al. Rich feature hierarchies for accurate object detection and semantic segmentation. CVPR 14; Fast R-CNN. ICCV 15; Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. NIPS W. Liu et al. SSD: Single Shot MultiBox Detector. ECCV J. Dai, Y. Li, K. He, and J. Sun. R-FCN: Object Detection via Region-based Fully Convolutional Networks. NIPS 16. Internet of Things Group 31

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

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

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

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,

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

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

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

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

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,

Анализ Изображений. Часть 2. Детектирование объектов

Анализ Изображений. Часть 2. Детектирование объектов Материалы Наталья Васильева Антон Конушин Object detection Stuff and Things Объекты Имеют форму и размер Машина Человек Дерево Материалы Некоторая текстура

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»

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 = , k = 1, 2, 3. Выходные данные

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
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
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
«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
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
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.
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
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
Кафедра системного программирования. Русинов Павел Александрович
Правительство Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Санкт-Петербургский государственный университет» Кафедра системного
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.
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
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
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
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
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
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)
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
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
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
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
Обзор методов вычисления базовой геометрии сцены
Обзор методов вычисления базовой геометрии сцены Дмитрий Акимов Video Group CS MSU Graphics & Media Lab Содержание Введение Feature-based алгоритм с обучением Интерпретация геометрических примитивов Заключение
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
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
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
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
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,
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
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 @newman.as-net. Быстрая обработка изображений на основе интегральных матриц изображений
Сравнение некоторых методов решения задачи детектирования лиц на изображениях
Сравнение некоторых методов решения задачи детектирования лиц на изображениях Е.А. Долотов 1, В.Д. Кустикова 1 dolotov.evgeniy@gmail.com valentina.kustikova@itmm.unn.ru 1 Институт информационных технологий,
Учебный курс «Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP» Лабораторная работа Детектирование пешеходов
Нижегородский государственный университет им. Н.И. Лобачевского Факультет вычислительной математики и кибернетики Учебный курс «Разработка мультимедийных приложений с использованием библиотек OpenCV и
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
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
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
Обзор подходов к анализу пространственных изображений высокого разрешения для применения в геофизике
Cloud of Science. 2019. T. 6. 1 http://cloudofscience.ru Ф. В. Краснов, А. В. Буторин, А. Н. Ситников ООО «Газпромнефть Научно-технический центр» 190000, Санкт-Петербург, ул. Почтамтская, 3-5 e-mail: Krasnov.FV@gazpromneft-ntc.ru
Машинное обучение в компьютерном зрении. Сверточные Нейронные Сети
Машинное обучение в компьютерном зрении. Сверточные Нейронные Сети Катаев Александр Ведущий инженер-программист, к.т.н. Алексеев Алексей Инженер-программист Singularis Lab, Ltd. Найди кота! 22-24 октября,
Правительство Российской Федерации
Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет «Высшая школа экономики» Факультет Компьютерных
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
ОБНАРУЖЕНИЕ РУКИ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ В ВИДЕОПОТОКЕ С ПОМОЩЬЮ ПРИЗНАКОВ ХААРА И ADABOOST-КЛАССИФИКАТОРА. Т. Т. Нгуен
76 ОБНАРУЖЕНИЕ РУКИ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ В ВИДЕОПОТОКЕ С ПОМОЩЬЮ ПРИЗНАКОВ ХААРА И ADABOOST-КЛАССИФИКАТОРА Т. Т. Нгуен Институт кибернетики Национального исследовательского Томского политехнического
Метод одновременной локализации и распознавания объектов на изображении
Метод одновременной локализации и распознавания объектов на изображении Т. С. Лугуев, Х. С. Муртузаалиев (Дагестанский государственный университет) В работе предложен алгоритм локализации и распознавания
Разработка системы видеодетектирования транспортных средств
Разработка системы видеодетектирования транспортных средств Валентина Кустикова 1, Николай Золотых 2, Евгений Козинов 3, Иосиф Мееров 4, Алексей Половинкин 5 1 Нижегородский государственный университет
Фрактальное сжатие. опыт сравнения алгоритмов
Фрактальное сжатие изображений. Некоторый опыт сравнения алгоритмов Александр Бубличенко ДонНТУ, КЭМ-07М al@bliqo.com Руководитель: В.Н. Беловодский 2008, Александр Бубличенко Основы фрактального сжатия
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:
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
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
ПОДАВЛЕНИЕ ЛОЖНОПОЛОЖИТЕЛЬНЫХ ОБНАРУЖЕНИЙ ЛИЦ В ВИДЕОПОТОКАХ СИСТЕМ ВИДЕОНАБЛЮДЕНИЯ А.Е. Сергеев 1, А.С. Конушин 1, В.С. Конушин 2
ПОДАВЛЕНИЕ ЛОЖНОПОЛОЖИТЕЛЬНЫХ ОБНАРУЖЕНИЙ ЛИЦ В ВИДЕОПОТОКАХ СИСТЕМ ВИДЕОНАБЛЮДЕНИЯ А.Е. Сергеев 1, А.С. Конушин 1, В.С. Конушин 2 1 НИУ Высшая школа экономики, Москва, Россия, 2 ООО «Технологии видеоанализа»
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
На прошлой лекции. В достаточно большой коллекции всегда найдется похожее изображение Главное уметь быстро искать изображение в коллекции Задачи:
Видеонаблюдение На прошлой лекции В достаточно большой коллекции всегда найдется похожее изображение Главное уметь быстро искать изображение в коллекции Задачи: Заполнение изображений Составление коллажей
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
Глубокое обучение в задачах трехмерной реконструкции лиц
Глубокое обучение в задачах трехмерной реконструкции лиц Рассадин Александр Георгиевич Факультет информатики, математики и компьютерных наук 01.04.02 Прикладная математика и информатика Содержание Актуальность

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
СИСТЕМА ОБНАРУЖЕНИЯ ОБЪЕКТОВ ИНТЕРЕСА В ЗАДАЧЕ ВИДЕОНАБЛЮДЕНИЯ ЗА ПЕШЕХОДНЫМИ ПЕРЕХОДАМИ
УДК 004.89 СИСТЕМА ОБНАРУЖЕНИЯ ОБЪЕКТОВ ИНТЕРЕСА В ЗАДАЧЕ ВИДЕОНАБЛЮДЕНИЯ ЗА ПЕШЕХОДНЫМИ ПЕРЕХОДАМИ СИСТЕМА ОБНАРУЖЕНИЯ ОБЪЕКТОВ ИНТЕРЕСА В ЗАДАЧЕ ВИДЕОНАБЛЮДЕНИЯ ЗА ПЕШЕХОДНЫМИ ПЕРЕХОДАМИ М.А. Колосовский
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
Машинное обучение (Machine Learning)
Машинное обучение (Machine Learning) Сегментация изобржений Уткин Л.В. Санкт-Петербургский политехнический университет Петра Великого Содержание 1 Patch-by-patch scanning 2 Полносверточная сеть (full convolutional
Каскад компактных сверточных ИНС для детектирования лиц
Каскад компактных сверточных ИНС для детектирования лиц Калиновский И.А., аспирант научный руководитель: Спицын В.Г, д.т.н., профессор Томский политехнический университет Rapid object detection using a
АВТОМАТИЗАЦИЯ РАСПОЗНАВАНИЯ ЛИЦ ЛЮДЕЙ ПО ФОТОГРАФИИ И.В. Тимохин, Н.Б. Осипенко
Проблемы физики, математики и техники, 3 (32), 2017 УДК 004.93 ИНФОРМАТИКА АВТОМАТИЗАЦИЯ РАСПОЗНАВАНИЯ ЛИЦ ЛЮДЕЙ ПО ФОТОГРАФИИ И.В. Тимохин, Н.Б. Осипенко Гомельский государственный университет им. Ф.
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
Правительство Российской Федерации
Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский университет «Высшая школа экономики»
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
РОССИЙСКАЯ БАЗА ИЗОБРАЖЕНИЙ АВТОДОРОЖНЫХ ЗНАКОВ В.И. Шахуро 1, А.С. Конушин 1,2. НИУ Высшая школа экономики, Москва, Россия,
РОССИЙСКАЯ БАЗА ИЗОБРАЖЕНИЙ АВТОДОРОЖНЫХ ЗНАКОВ В.И. Шахуро 1, А.С. Конушин 1,2 1 НИУ Высшая школа экономики, Москва, Россия, 2 Московский государственный университет им. М.В. Ломоносова, Москва, Россия
сверточных нейронных сетей
Распознавание человека по походке на основе сверточных нейронных сетей Аспирант второго года обучения Аспирантской школы по компьютерным наукам Научный руководитель: к.ф.-м.н. Конушин А.С. 2017 Почему
deep learning vii: рекуррентные сети
deep learning vii: рекуррентные сети Сергей Николенко СПбГУ Санкт-Петербург 20 октября 2018 г. Random facts: 20 октября Всемирный день статистики; празднуют его более ста стран, но почему-то лишь один
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
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
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,,
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
Некоторые методы сопоставления и трекинга границ во времени
Некоторые методы сопоставления и трекинга границ во времени Александр Новиков Video Group CS MSU Graphics & Media Lab Содержание Введение Joint Pixel Features Based Tracking Generalized Hough Transform
А.В. ИВАШКО, канд. техн. наук, проф. НТУ «ХПИ» А.И. ПОТАПЕНКО, аспирант НТУ «ХПИ»
УДК 621.391 А.В. ИВАШКО, канд. техн. наук, проф. НТУ «ХПИ» А.И. ПОТАПЕНКО, аспирант НТУ «ХПИ» АЛГОРИТМ АДАПТИВНОГО ПОВЫШЕНИЯ КОНТРАСТА ДЛЯ СИСТЕМ РАСПОЗНАНИЯ ОБЪЕКТОВ В статье предложен подход, позволяющий
«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
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
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
deep learning iv: сверточные сети
deep learning iv: сверточные сети Сергей Николенко НИУ ВШЭ Санкт-Петербург 1 декабря 2017 г. Random facts: 1 декабря 1887 г. в свет вышел первый детектив о Шерлоке Холмсе «Этюд в багровых тонах», а 1 декабря
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.
Обзор алгоритмов трекинга объектов
Обзор алгоритмов трекинга объектов Дмитрий Акимов Video Group CS MSU Graphics & Media Lab Содержание Введение Predator Particle Filter Graph Evolution-Based Tracking Заключение 2 Введение Постановка задачи
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
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
Исследование методов сегментации изображений
Исследование методов сегментации изображений Артем Скребков, Владислав Виноградов, Дмитрий Кручинин, Евгений Долотов Руководитель: Козинов Е.А. Сегментация изображения Сегментация процесс разделения изображения
Реконструкция по 1 изображению. Антон Конушин
Реконструкция по 1 изображению Антон Конушин http://courses.graphicon.ru/vision2 Этот курс подготовлен при поддержке Microsoft Research Благодарности В презентации использованы слайды курса «Using geometric
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
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
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,
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
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

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
Слежение за выделенными объектами на протяжении видеоряда
Слежение за выделенными объектами на протяжении видеоряда # 07, июль 2015 Волосатова Т. М. 1, Яблоков В. Е. 1,* УДК: 004.93`12 1 Россия, МГТУ им. Н.Э. Баумана Введение Технология автоматизированного распознавания
Детектирование четырехугольников в задаче распознавания дорожных знаков. Виталий Сергеевич Балдеев
УДК 004.932.72'1 Детектирование четырехугольников в задаче распознавания дорожных знаков Виталий Сергеевич Балдеев Национальный исследовательский университет "МИЭТ" (НИУ МИЭТ) г. Москва, Российская Федерация
ПРИМЕНЕНИЕ НЕЧЕТКОГО КЛАССИФИКАТОРА NEFCLASS К ЗАДАЧЕ РАСПОЗНАВАНИЯ ЗДАНИЙ НА СПУТНИКОВЫХ ИЗОБРАЖЕНИЯХ СВЕРХВЫСОКОГО РАЗРЕШЕНИЯ
УДК 004.932.72'1 ЗАЙЧЕНКО Ю. П., ДЬЯКОНОВА С. В. ПРИМЕНЕНИЕ НЕЧЕТКОГО КЛАССИФИКАТОРА NEFCLASS К ЗАДАЧЕ РАСПОЗНАВАНИЯ ЗДАНИЙ НА СПУТНИКОВЫХ ИЗОБРАЖЕНИЯХ СВЕРХВЫСОКОГО РАЗРЕШЕНИЯ В работе рассматривается
📎📎📎📎📎📎📎📎📎📎