Others/Odds & Ends (7) 썸네일형 리스트형 Sample Consensus를 위한 Robust Parameter Estimation 기법들 연도별 정리(RANSAC 이후) SRI International AI Center의 Fischler 박사님(http://www.ai.sri.com/people/fischler)이 RANSAC(apps.dtic.mil/dtic/tr/fulltext/u2/a460585.pdf)을 제안한 건 1980년이다. 40년이 지난 알고리즘이지만, 다양한 분야에 적용 가능하기에 RANSAC은 여전히 많은 사랑을 받고 있다. 참고로 내가 관심을 가지고 있는 컴퓨터 비젼 분야의 경우 feature matching이나 motion estimation을 위한 목적으로 그동안 많이 사용되어 왔으며, 영상처리나 컴퓨터 비젼을 하는 사람들은 누구나 한번쯤은 들어봤을만큼 유명한 알고리즘이다. 특히, 올해 CVPR 2020에는 RANSAC과 관련된 튜토리얼(http:.. 위성 영상에서 객체 검출과 관련된 논문들 목록 정리 Recently Dataset DOTA: A Large-scale Dataset for Object Detection in Aerial Images DIOR: Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark Review DIOR: Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark Vessel detection and classification from spaceborne optical images: A literature survey(배 검출 및 분류에 특화) Data Augmentation A Data Augmenta.. 다양한 종류의 LBP(Local Binary Pattern) 알고리즘 테스트 결과 2002년도에 Ojala에 의해서 제안된 LBP(Local Binary Pattern)는 조명 변화에 강건하다는 장점이 있지만, 잡음에 약하며 히스토그램 Bin의 크기가 256개인 만큼 특징의 차원수가 높아진다는 단점이 있다. 이를 개선하고자 다양한 변종의 LBP 알고리즘들이 연구되었다. 차원의 수를 줄이고, 조명 변화에 대한 강건함과 잡음에 대한 강건함을 동시에 만족하며, 스케일에 불변하기 위한 노력들을 위한 많은 알고리즘들이 탄생하였다. 아래는 그 중 몇몇의 결과와 관련 논문들을 보여준다. 결과 영상 참고 문헌 1. A Generalized Local Binary Pattern Operator for Multiresolution Gray Scale and Rotation Invariant Textur.. 다양한 이진화 알고리즘들의 테스트 결과 참고문헌 1. 파라미터 기반 Local Adaptive Thresholding 기법들 [1]. Bernsen J. (1986) "Dynamic Thresholding of Grey-Level Images" Proc. of the 8th Int. Conf. on Pattern Recognition, pp. 1251-1255 [2]. Niblack W. (1986) "An introduction to Digital Image Processing" Prentice-Hall [3]. Sauvola J. and Pietaksinen M. (2000) "Adaptive Document Image Binarization" Pattern Recognition, 33(2): 225-236 [4]. Savakis A.E... SIFT와 SURF 이후의 Feature Descriptors들(딥러닝 이전까지), 그리고 SIFT와 SURF의 간단한 비교 실험 제 기억에 의하면 SIFT가 Lowe 교수에 의해서 제안된게 2004년이고 SURF가 Bay 교수에 의해서 제안된게 2006년이니 벌써 14년이상의 시간이 흘렀습니다. 당연히 이들 보다 좋은 feature descriptor를 만들기 위한 연구들은 계속 되었겠죠? (물론 요즘 딥러닝 시대에는 어떤 식으로 연구가 되고 있는지 모르겠지만..) SIFT보다 SURF보다 정확도(처리 속도는 배제)를 높이기 위한 목적으로 나온 알고리즘도 있고, SIFT와 SURF처럼 유사한 정확도를 보이면서도 처리 속도를 빠르게 하기 위한 목적으로 나온 알고리즘도 있습니다(스마트폰 시장이 커진 것도 한몫 했겠죠?). 아래는 딥러닝 이전까지의 SIFT와 SURF 이후에 유명 저널 및 컨퍼런스에 출판된 feature descript.. 적분 영상(integral image)의 쉬운 구현 #define IMAGE_WIDTH 4 #define IMAGE_HEIGHT 6 #define IMAGE_SIZE (IMAGE_WIDTH*IMAGE_HEIGHT) #define INTEGRAL_IMAGE_SIZE ((IMAGE_WIDTH+1)*(IMAGE_HEIGHT+1)) void MakeIntegralImage(float *image, float *integralImage, int width, int height) { register int x, y; integralImage[0] = image[0]; for(x=1; x Computer Vision 십계명 예전에 심심해서 적어본 CV 십계명 Indoor Vision만을 다룬자여, Outoor Vision을 쉽게 논하지 마라. Fixed Camera만을 다룬자여, Moving or Hand-held Camera를 쉽게 논하지 마라. Signle Object만을 다룬자여, Multiple Object를 쉽게 논하지 마라. Single View만을 다룬자여, Multiple View를 쉽게 논하지 마라. Rigid Object만을 다룬자여, Deformable Obejct를 쉽게 논하지 마라. Simple Background만을 다룬자여, Background clutter를 쉽게 논하지 마라. Detection만을 다룬자여, Tracking을 쉽게 논하지 마라. Non-Occluded Obejct만을 다룬자여,.. 이전 1 다음
