در این پروژه شما باید هر تصویر را با توجه به محتوای1 آن دسته‌بندی2 نمایید. برای مثال آیا شیئی3 از یک دسته4 خاص (مثل صفحه کلید) در تصویر وجود دارد یا خیر. یا اینکه تصویر متعلق به صحنه5 فرودگاه است یا خیابان. به مثال اول دسته‌بندی شیء و به مثال دوم دسته‌بندی صحنه گفته می‌شود.
در حالت کلی این سامانه‌ها بر پایه‌ی چارچوب یادگیری ماشین کار می‌کنند. بدین معنی که با داشتن تعدادی نمونه‌ی مثبت و تعدادی نمونه منفی، برای یک تصویر جدید بتواند دسته‌بندی را انجام دهد.

مقدمه

همان طور که توضیح داده شد، یکی از انواع دسته بندی تصاویر، دسته بندی شیء است. در دسته بندی شیء، مسئله «بازشناسی شیء» کاربرد دارد، لذا در ادامه این مسئله معرفی می گردد.
در بازشناسی شیء، ابتدا باید با استفاده از تصاویری که به سامانه داده شده به یادگیری دسته های اشیا پرداخت، سپس باید در تصاویر جدید تشخیص داد که نمونه ای از گروه های یادگرفته شده در تصویر وجود دارد یا نه.
بازشناسی شی در تصویر به دو دسته عمومی6 و اختصاصی7 تقسیم می شود. در بازشناسی به صورت عمومی، هدف ما شناخت تصاویر مربوط به یک دسته از اشیا می باشد، مانند تشخیص ساختمان، ماشین و یا دوچرخه در تصویرهای مختلف ولی در حالی که در بازشناسی به صورت اختصاصی، شناسایی یک شی خاص مورد نظر است. برای مثال بازشناسی تصویر چهره کارل گاوس و یا برج ایفل. موضوعی که در هر دو دسته مشترک است، وجود تفاوت بین نمونه های مختلف از تصاویر یک شی و یا یک دسته است. [1]

توضیح تصویر
توضیح تصویر

توضیح تصویر
توضیح تصویر

در حال حاضر برای بازشناسی اشیا خاص، بیشتر تطابق8 و صحیح یابی هندسی9 تصاویر بررسی می شود. ولی برای بازشناسی اشیا به صورت عمومی از مدل آماری10 مربوط به شکل که با یادگیری از مثال ها به دست آمده، استفاده می شود. برای یادگیری در بازشناسی به صورت عمومی، تصاویری مربوط به یک دسته مشخص جمع آوری می شود و از آن ها مدلی برای پیش بینی11 وجود یا مشخص کردن محل12 شی در تصاویر جدید ایجاد می شود.[1]
بازشناسی اشیا خاص نسبت به بازشناسی اشیا به صورت عمومی ، کامل تر بوده و جنبه تجاری نیز پیدا کرده است، ولی فعلا مسئله بازشناسی عمومی تا حد زیادی حل نشده است.[9]

با توجه به سطح دقتی که نیاز داریم، یک سیستم بازشناسی اشیا می تواند وظایف متفاوتی داشته باشد، برای مثال در تصویر زیر سطوح متفاوتی از دقت در بازشناسی مشخص شده است:

توضیح تصویر
توضیح تصویر

چالش ها[1]
نمونه های یک شی در تصاویر مختلف، بسته به شرایط می توانند بسیار متفاوت از هم باشند، که باعث دشوار شدن فرآیند بازشناسی و دسته بندی می شود. عوامل تاثیرگذار در این زمینه عبارتند از:

  • وضعیت روشنایی13

  • وضعیت شی14

  • زاویه دید دوربین

  • انسداد 15

  • شلوغی16 پس زمینه تصویر و ... .

  • در تصویر زیر به این عوامل اشاره شده است:

    توضیح تصویر
    توضیح تصویر

به جز موارد اشاره شده در فوق که مربوط به تحمل پذیری خطا17 بودند، چالش جدی دیگر در این زمینه مربوط به پیچیدگی محاسباتی18 و مقیاس پذیری19 است. یعنی باید از الگوریتم هایی کارا و بهینه برای بدست آوردن ویژگی های مختلف تصاویر استفاده کنیم تا بتوان از آن ها در جستجوی پایگاه های داده بزرگ از تصاویر، استفاده کرد.

کارهای مرتبط

در مرجع [2] روشی برای استخراج ویژگی های نامتغیر و متمایز کننده از تصاویر ارائه شده است که می توان با اطمینان بالایی از آن برای تطابق نماهای مختلفی از یک شی استفاده کرد. این ویژگی ها نسبت به مقیاس و نیز دوران تصویر نامتغیر هستند. این مقاله همچنین دیدگاهی برای استفاده از این ویژگی ها در بازشناسی اشیا ارائه می دهد.

در بازشناسی اشیا به صورت عمومی یکی از ساده ترین الگوریتم ها برای مشخص کردن یک دسته خاص از اشیا روش سبد کلمات20 می باشد که تصاویر و اشیا را به صورت مجموعه ای غیر ترتیبی از توصیف کننده های ویژگی ها در نظر می گیرد. (بخش هایی از کتاب های [1] و [9])

در کاربردهای مختلف، دسته بندی تصاویر معمولا به صورت یک مسئله با چند برچسب در نظر گرفته می شود که هر تصویر می تواند به چند دسته تعلق داشته باشد. در مرجع [16] هر تصویر به چندین بلوک تقسیم می شود و بلوک ها برچسب می خورند. سپس از مجموعه بلوک های برچسب گذاری شده، برای توصیف یک تصویر استفاده می شود. همچنین به جای اینکه مستقیما به یک بلوک از تصویر برچسبی را نسبت دهیم، از دسته بند21 آدابوست22 چند کلاسه23 برای یادگیری احتمال تعلق این بلوک به یک برچسب خاص استفاده می شود.
در مرحله بعدی، یک مدل مبتنی بر MRF 24 برای جمع کردن اطلاعات هر بلوک برای دسته بندی معرفی می شود.
در تصویر زیر روند ارائه شده در این مقاله برای دسته بندی مشاهده می شود:

توضیح تصویر
توضیح تصویر

این روش از خروجی های نرمال شده دسته بند آدابوست برای ساخت یک مدل MRF استفاده می کند. برای یک برچسب که به یک بلوک نسبت داده شده، هدف ما بیشینه کردن احتمال25 است که به این صورت تعریف می شود:( P(X_i | l که متناسب با تابع توزیع گیبس است: (( P(X_i | l) α exp(-U(X_i | l
در فرمول فوق l نماد برچسب است و ( U(X_i | l تابع انرژی نامیده می شود، که از مجموع پتانسیل های مربوط به هر بلوک جداگانه و همچنین پتانسیل دو بلوک مجاور که یک برچسب دریافت کرده اند. [16]

مرجع [17] نیز برای دسته بندی تصاویر از MRF استفاده کرده است. برای سادگی محاسبات از فرض توزیع مستقل یکسان26 برای پیکسل ها استفاده می کنیم که این فرض باعث بروز اشتباهاتی در نتایج می شود. برای بهبود نتایج بدست آمده و همچنین اختصاص زمان کمتر برای محاسبات، در این پروژه از مدل گرافیکی بدون جهت27 (تکنیک MRF) استفاده شده است.
ممکن است به علت محدودیت های دوربین و یا عوامل دیگر نویزی در یک قسمت کوچک از یک تصویر وجود داشته باشد که باعث دسته بندی اشتباه آن قسمت شود، برای اینکه این مشکل حل شود و یا به اصطلاح نتایج دسته بندی هموار28 شود، باید اطلاعات همسایگی در نظر گرفته شود. بدین منظور می توان از چارچوب بیز29 استفاده کرد. از این کار دو هدف را دنبال می شود: اول اینکه رویه دسته بندی باید اطلاعات محتوایی(متنی)30 را در نظر بگیرد و هدف دوم این است که محاسبات قابل مهارشدن باشند31. از دیدگاه نظریه بیز اطلاعات محتوایی ، نوعی دانش پیشین است32 و داده ها نیز برای بدست آوردن احتمال استفاده می شوند . حال ایده استفاده از چارچوب MRF این است که احتمال به صورت محلی محاسبه شود ولی اطلاعات پیشین با استفاده از تکنیک MRF به صورت احتمال توام33 مربوط به پیکره بندی34 کل تصویر مدل شود. و در نهایت از قانون بیز برای بدست آوردن اطلاعات پسین35 مربوط به تصویر که احتمال تعلق آن به یک دسته خاص می باشد، استفاده می شود.[17]
برای اینکه محاسبات مربوط به اطلاعات پیشین قابل مهار باشد باید از فرض مارکوف36 استفاده شود. یعنی برچسب هر پیکسل مستقل از برچسب پیکسل هایی است که به طور مستقیم همسایه آن هستند.[17]
سیستم همسایگی مرتبه اول به این صورت است:

توضیح تصویر
توضیح تصویر

در مرجع [18] در ابتدا یک مکانیزم با استفاده از رویدادهای کلمه تصویری37 تشخیص اشیا را انجام داده و یک قسمت بندی38 به صورت تقریبی ایجاد می شود، سپس با استفاده از یک مولفه MRF مرزبندی دقیق و واضح در تصویر ایجاد می شود.

آزمایش‌ها

داده های مورد استفاده در این پروژه مربوط به گروه تحقیقات مایکروسافت است . صفحه مربوطه و پروژه هایی که از این مجموعه دادگان استفاده کرده اند از اینجا قابل دسترس می باشد.
مجموعه دادگان از اینجا قابل دریافت است.
این مجموعه دادگان شامل 591 عکس با سایز 213*320 پیکسل است که در 21 دسته قرار دارند. همچنین در همه عکس ها، پیکسل ها برچسب گذاری شده اند لذا می توان از آن برای یادگیری با ناظر استفاده کرد.
به ازای هر تصویر در این مجموعه، تصویری متناظر وجود دارد که در آن، تصویر اصلی قسمت بندی شده و همه پیکسل ها نیز برچسب گذاری شده اند. مانند تصویر زیر:

توضیح تصویر
توضیح تصویر

همچنین هر دسته رنگ خاصی دارد، که رنگ ها به صورت زیر مشخص شده اند:

توضیح تصویر
توضیح تصویر

نکته مهم دیگر این است که برای یادگیری دسته های اسب و کوه به تعداد کافی تصویر در این مجموعه دادگان وجود ندارد.و از آن ها استفاده نمی شود.

آزمایش‌ اول

در اینآزمایش با استفاده از زبان سی پلاس پلاس و کتابخانه اپن سی وی ، مدل CRF که از مدل های گرافیکی بدون جهت می باشد، پیاده سازی شده است.
پروژه شامل دو قسمت یادگیری و تست است.
در بخش یادگیری ابتدا تابع توزیع مربوط به هر کدام از دسته های تصاویر که در مجموعه دادگان وجود دارند را محاسبه کنیم. فرض ما این است که هر کدام از کلاس ها دارای تابع توزیع نرمال هستند:

توضیح تصویر
توضیح تصویر

همچنین ویژگی مورد نظر ما که از تصاویر استخراج و از آن برای دسته بندی استفاده می کنیم، معیار RGB برای هر پیکسل می باشد. یعنی میزان شدت رنگ های قرمز، سبز و آبی در هر پیکسل از تصویر. در نتیجه بردار ویژگی دارای سه مولفه خواهد بود.
محاسبه تابع توزیع برای هر کدام از کلاس ها به این صورت است که ابتدا یکی ازبرچسب ها( دسته ها)ی موجود برای تصاویر را انتخاب می کنیم، سپس در تصاویر موجود در مجموعه دادگان، دنبال پیکسل هایی می گردیم که برچسب آن ها با دسته انتخاب شده یکسان باشد، هر وقت به چنین پیکسل هایی رسیدیم بردار ویژگی آن که شامل مقادیر قرمز، سبز و آبی آن پیکسل است را در یک آرایه از بردارهای ویژگی ذخیره می کنیم.
در مرحله بعدی برای بدست آوردن تابع توزیع، با توجه به اینکه فضای ویژگی ها سه بعدی است، باید همبستگی بین ویژگی ها نیز در نظر گرفته شود لذا برای داده های جمع آوری شده در مرحله قبل، بردار میانگین و ماتریس کوواریانس بدست بیاوریم. و از آن برای محاسبه تابع توزیع نرمال چند متغیره استفاده می کنیم.
مطابق فرمول زیر:

توضیح تصویر
توضیح تصویر

لازم به ذکر است فایل calculation.cpp برای محاسبه موارد اشاره شده در فوق است!

در مرحله بعدی باید تصویر را قسمت بندی کنیم ، در اینجا از الگوریتم Mean-Shift برای قسمت بندی تصاویر استفاده شده است.نتایج قسمت بندی با استفاده از این الگوریتم در تصاویر زیر قابل مشاهده است:
تصویر اصلی:

توضیح تصویر
توضیح تصویر

قسمت بندی تصویر با استفاده از الگوریتم Mean-Shift:

توضیح تصویر
توضیح تصویر

سپس برای هر کدام از قسمت های ایجاد شده بردار میانگین ویژگی بدست می آوریم. در نهایت با استفاده از بردار های میانگین تابع پتانسیل بدست می آوریم که با استفاده از آن تابع احتمال محاسبه خواهد شد.
مدل گرافیکی در نظر گرفته شده در این پروژه مشابه تصویر زیر است: (تصویر مربوط به درس PGM خانم Koller است)

توضیح تصویر
توضیح تصویر

همانطوری که در گراف رسم شده در تصویر فوق مشاهده می شود، فرض بر این است که بین گره های سطح دو که در واقع برچسب های هر قسمت از تصویر هستند یال ارتباطی وجود ندارد، یعنی برچسب هر قسمت مستقل از سایر قسمت ها است.
برای محاسبه تابع احتمال تعلق تصویر به هر دسته، ابتدا باید تابع پتانسیل مربوط به گره ها در گراف فوق را محاسبه کرد.
تابع پتانسیل به صورت زیر محاسبه می شود:

توضیح تصویر
توضیح تصویر

که در اینجا مقدار پارامتر V_20 یک مقدار ثابت است.
سپس برای محاسبه احتمال از فرمول زیر استفاده می شود:

توضیح تصویر
توضیح تصویر

مرحله تست: نصف تصاویر موجود در مجموعه دادگان برای یادگیری و نصف دیگر برای تست استفاده می شود.
در این مرحله برای اینکه برچسب کل یک تصویر مشخص شود ، اول تصویر مشابه قسمت قبل قسمت بندی می شود، سپس بردار میانگین مقادیر ویژگی ها برای هر کدام از قسمت ها محاسبه می شود. حال اگر این بردار را به صورت ورودی به تابع توزیع احتمالی بدهیم که برای هر کدام از دسته ها، در مرحله یادگیری بدست آوردیم، خروجی میزان احتمال تعلق آن قسمت از تصویر به دسته مورد نظر است و در نهایت هر کدام از برچسب ها که احتمال های بدست آمده برای آن بیشتر باشد، به قسمت جدا شده از تصویر نسبت داده می شود.
پس ازاین مرحله با استفاده از تابع احتمالی که از توابع پتانسیل در مرحله یادگیری بدست آمده بود میزان احتمال هر کدام از برچسب ها محاسبه می شود و بیشترین مقدار احتمال بدست آمده، برچسب تصویر را مشخص می کند.

کد پروژه از طریق این آدرس قابل دسترس است.

آزمایش‌ دوم

در این آزمایش از یک مدل CRF در سطح پیکسل استفاده شده است یعنی به هر کدام از پیکسل های موجود در تصویر برچسب یکی از کلاس ها زده می شود.
همچنین در این آزمایش برای افزایش دقت از ویژگی های بیشتری برای یادگیری استفاده شده است که عبارت اند از: ویژگی RGB که در آزمایش قبلی فقط از این ویژگی استفاده شده بود، HOG وLBP و مقدار متوسط روی سطر ها و ستون های تصویر.
نکته دیگر این است که در این مدل تنها پتانسیل یگانی 39 مربوط به هر پیکسل در نظر گرفته می شود که پتانسیل هر پیکسل میزان نزدیکی تعلق یک پیکسل به یک کلاس از اشیا را مشخص می کند.
بخشی از مجموعه دادگان به صورت تصادفی برای یاد گیری و بخشی دیگر برای تست انتخاب شده اند.
فرآیند یادگیری پیکسل ها در دو مرحله انجام می شود. در مرحله اول به صورت یک در مقابل همه40 برای هر کدام از کلاس ها یک boosted decision tree classifier آموزش داده می شود تا هر کلاسیفایر بتواند کلاس مربوط به خود را با توجه به ویژگی پیکسل ها پیش بینی کند.
در مرحله دوم یادگیری خروجی مرحله اول به یک کلاسیفایر لاجستیک رگرسیون چند کلاسه 41 داده می شود.
جهت ارزیابی مدل یادگرفته شده روی داده های تست، از الگوریتم Alpha expansion برای استنتاج استفاده می کنیم.این روش یکی از روش های تقریبی است که برای انجام استنتاج روی میدان تصادفی شرطی (CRF) به کار می رود.

همچنین برای پیاده سازی از کتابخانه داروین که در زمینه یادگیری و بینایی ماشین می باشد، استفاده شده است.

نتایج ارزیابی به صورت زیر است:

توضیح تصویر
توضیح تصویر

همانطور که در تصویر فوق مشاهده می شود:

دقت کلی که از رابطه:

توضیح تصویر
توضیح تصویر
بدست می آید برابر است با: 78.39 %

متوسط بازخوانی 42 که از رابطه:

توضیح تصویر
توضیح تصویر
بدست می آید برابر است با: 66.63%

همچنین متوسط مقدار امتیاز جاکارد 43 تقریباً برابر 0.53 است.

امتیاز جاکارد، معیاری برای مقایسه شباهت و یا تفاوت مجموعه نمونه هاست. که این مقدار برای دو مجموعه از رابطه زیر محاسبه می شود:

توضیح تصویر
توضیح تصویر

در شکل های زیر چند نمونه از عملکرد برنامه روی داده های تست را مشاهده می کنید: ( در هر قسمت، تصویر اصلی سمت چپ، خروجی برنامه که در واقع برچسب مربوط به هر پیکسل است در وسط، و در سمت راست نیز تصویر اصلی و خروجی برنامه برای مقایسه بهتر روی هم قرار داده شده اند.)

توضیح تصویر
توضیح تصویر

توضیح تصویر
توضیح تصویر

توضیح تصویر
توضیح تصویر

توضیح تصویر
توضیح تصویر

آزمایش‌ سوم

در آزمایش سوم تلاش بر این بود که نتایج آزمایش دوم بهبود یابد، بدین منظور در مرحله یادگیری علاوه بر پتانسیل یگانی، پتانسیل دو به دو 44 پیکسل ها نیز در نظر گرفته می شود که بین یک پیکسل و 8 پیکسل مجاور آن است.
مراحل یادگیری و ارزیابی مشابه آزمایش قبلی هستند، بهبود نتایج به صورت زیر است:

توضیح تصویر
توضیح تصویر

دقت کلی : 82.77 %
متوسط بازخوانی : 70.59 %
متوسط امتیاز جاکارد:تقریباً 0.6

همچنین ماتریس درهم ریختگی45 به صورت زیر است:

توضیح تصویر
توضیح تصویر

شکل های زیر نشان دهنده عملکرد برنامه روی تصاویری است که در آزمایش قبلی به عنوان نمونه قرار داده شده بود، افزایش دقت در برچسب ها قابل مشاهده است:

توضیح تصویر
توضیح تصویر

توضیح تصویر
توضیح تصویر

توضیح تصویر
توضیح تصویر

توضیح تصویر
توضیح تصویر

کد پروژه

کد آزمایش 2 و3 و کد مربوط به محاسبه دقت، به همراه توضیحات و نحوه اجرا برای گرفتن نتایج، از طریق این آدرس قابل دسترس است.

کارهای آینده

برای بدست آوردن نتایج بهتر می توان یک مرحله پیش پردازش هم به پروژه اضافه کرد که شامل حذف نویز46 و نرمال سازی رنگ ها47 باشد.

می توان ایده استفاده از سوپرپیکسل را در آزمایش دوم و یا سوم نیز پیاده سازی کرد.

مراجع

  1. Kristen Grauman and Bastian Leibe,Visual Object Recognition, Synthesis Lectures on Artificial Intelligence and Machine
    Learning, April 2011, Vol. 5, No. 2, Pages 1-181. لینک

  2. David G. Lowe, "Distinctive image features from scale-invariant keypoints," International Journal of Computer Vision, 60, 2 (2004), pp. 91-110 لینک

  3. Fischler, Martin A., and Robert C. Bolles. "Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography." Communications of the ACM 24.6 (1981): 381-395.

  4. Philbin, James, et al. "Object retrieval with large vocabularies and fast spatial matching." Computer Vision and Pattern Recognition, 2007. CVPR'07. IEEE Conference on. IEEE, 2007. لینک

  5. Arandjelovic, Relja, and Andrew Zisserman. "Smooth object retrieval using a bag of boundaries." Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. لینک

  6. D. Nistér and H. Stewénius." Scalable recognition with a vocabulary tree". In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), volume 2, pages 2161-2168, June 2006 لینک

  7. Arandjelovic, Relja, and Andrew Zisserman. "All about VLAD." Computer Vision and Pattern Recognition (CVPR), 2013 IEEE Conference on. IEEE, 2013. لینک

  8. Erik B.Sudderth .”Graphical Models for Visual Object Recognition and Tracking.” Dept. EECS. MIT, May 2006.

  9. R.Szeliski, Computer Vision: Algorithms and Applications, Springer, September 2010.

  10. D.Koller and N.Friedman," Probabilistic Graphical Models: Principles and Techniques", MIT Press, 2010.

  11. David G.Lowe, “Object Recognition from Local Scale-Invariant Features.” International Conference on Computer Vision(ICCV), September 1999.

  12. David G.Lowe, “Distictive Image Features from Scale-Invariant Keypoints.” International Journal of Computer Vision, pages 91-110, 2004.

  13. E.Nowak, F.Jurie, B.Triggs, “Sampling strategies for bag-of-features image classification.” Proceedings of the European Conference on Computer Vision.

  14. Philbin, J., Chum, O., Isard, M., Sivic, J. & Zisserman, A. (2007)," Object retrieval with large vocabularies and fast spatial matching", in ‘Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition’.

  15. Bay, H., Ess, A., Tuytelaars, T. & Van Gool, L. (2008), "SURF: Speeded-Up Robust Features", Computer Vision and Image Understanding 110(3), 346–359.

  16. W.Zeng, X.Chen, H.Cheng, J.Hua,"Multi-Space Learning for Image Classification Using AdaBoost and Markov Random Fields", Solving Complex Machine Learning Problems with Ensemble Methods(COPEM), September 2013.

  17. Xiaojin Shi, "Markov Random Field Modeling for Image Classification", Dept. CE. UCSC, 2004.

  18. Diane Larlus, Frederic Jurie, "Combining Appearance Models and Markov Random Fields for Category Level Object Segmentation", CVPR 2008 - IEEE Conference on Computer Vision & Pattern Recognition, Jun 2008, Anchorage, United States. IEEE Computer Society, pp.1-7

پیوندهای مفید


  1. Content

  2. Classification

  3. Object

  4. Class

  5. Scene

  6. Generic

  7. Specific

  8. Matching

  9. Geometric Verification

  10. Statistical Model

  11. Prediction

  12. Localization

  13. Illumination Condition

  14. Object Pose

  15. Occlusion

  16. Clutter

  17. Robustness

  18. Computational Complexity

  19. Scalability

  20. Bag of Words

  21. Classifier

  22. AdaBoost

  23. Multi-Class

  24. Markov Random Fields

  25. Likelihood

  26. Identical Independent Distribution

  27. Undirected Graphical Model

  28. Smooth

  29. Bayesian Framework

  30. Contextual Information

  31. Tractable

  32. Prior Knowledge

  33. Joint Probability

  34. Configuration

  35. Posterior

  36. Markov Assumption

  37. Visual Word

  38. Segmentation

  39. Unary

  40. One-versus-all

  41. Multi-class Logistic Regression Classifier

  42. Recall

  43. Jaccard score

  44. Pairwise

  45. Confusion Matrix

  46. Denoising

  47. Color Normalization

ارزیابی آشنایی با مساله 1393/08/17
حسین فرقانی

هدف این فاز که شناخت کلی نسبت به موضوع و بررسی کارهای پیشین بود به خوبی انجام داده اید. فقط چند ایراد وجود دارد که لازم است در ادامه اصلاح شود:

  1. در مقدمه گفته شده باید ابتدا به یادگیری بازشناسی شیء پرداخت، در حالی که همان طور که خودتان در ادامه اشاره فرموده اید یکی از روش های بازشناسی، تطابق (matching) است که یادگیری نیست. لازم است اصلاح شود.

  2. در چکیده گفته شده بازشناسی شیء یعنی نمونه خاص از شیء. ولی در مقدمه گفته شده شامل دو دسته عمومی و اختصاصی می شود که دسته عمومی محدود به یک نمونه خاص از شیء نیست. لازم است چکیده را اصلاح کنید.

  3. ترجمه geometric verification «همسان سازی» هندسی نیست. بهتر است به جای «همسان سازی» از کلمه دیگری استفاده کنید.

  4. برای سادگی میتوانید برای occlusion از معادل «انسداد» استفاده کنید. برای instance و clutter و bag of words هم بهتر است به ترتیب از «نمونه»، «شلوغی» و «سبد کلمات» استفاده کنید.

  5. بعضی citationها استاندارد نیستند. مثلا در [1] اول اسم کتاب آمده، بعد نویسنده ها در حالی که باید برعکس باشد.

ارزیابی مطالعه کارهای مرتبط 1393/09/15
تایید شده

باسلام
به نظر بنده متن شما یکپارچه بود و همین باعث میشد که بتوان با آن ارتباط برقرار کرد؛فقط ایکاش برخی جاها را تجدید نظر کنید تا این سادگی و روانی متن حفظ شود.مثلا:"در بازشناسی اشیا به صورت عمومی یکی از ساده ترین الگوریتم ها برای مشخص کردن یک دسته خاص از اشیا روش سبد کلمات20 می باشد که تصاویر و اشیا را به صورت مجموعه ای غیر ترتیبی از توصیف کننده های ویژگی ها در نظر می گیرد." که مقداری برای من گنگ بود.و این جمله که "از این کار دو هدف را دنبال می شود: "
اینکه چالش های مختلف را عنوان و بررسی کرده بودید کار ارزشمند و جالبی بود.
استفاده از تصاویر کار شما را قابل درک تر کرده است.اگر "سیستم همسایگی مرتبه اول" را مختصری توضیح بدهید کارایی تصویر آخر بسیار بیشتر میشود.

حسین فرقانی

با تشکر از کار خوب شما. مقاله های خوب و به روزی مطالعه شده بود. فقط ایرادهای زیر وجود داشت که بهتر است رفع گردد:

  1. با توجه به این که موضوع شما از بازشناسی شیء به دسته بندی تصاویر تغییر یافته است، انتظار نیست دوباره فاز مقدمه را با موضوع جدید بنویسید. اما از آن جا که «دسته بندی شیء» یکی از انواع «دسته بندی تصاویر» است و «بازشناسی شیء» یک ابزار برای دسته بندی شیء می باشد، این مطلب را ابتدای مقدمه توضیح دهید و بگویید و در ادامه، همین بندهای مربوط به بازشناسی شیء قرار بگیرد.

  2. فرمول ها بسیار نامرتب و غیرقابل فهم است. استفاده از Tex برای فرمول ها توصیه می شود. یا میتوانید از فرمول ها عکس گرفته در جای مورد نظر قرار دهید.

  3. در بعضی موارد خواندن متن ترجمه شده سخت بود. علت آن این است که از کلمات فنی سختی استفاده شده است و هنگام ترجمه با معادل خود جایگزین شده است (مثل بندی که راجع به [17] نوشته شده است). هرچند این کار درست است، اما شما باید فهم خود را از این جملات به عنوان توضیح بیشتر اضافه کنید.

  4. مراجع نسبت به فاز مقدمه خیلی بهتر شده. اما باز هم بعضی جاها رعایت نشده. مثلا جای سال و شماره صفحه و ... بعضاً جابجا است. این موارد را برای آمادگی برای سمینار و پایان نامه ارشد و به طور کلی هر نوشتار علمی رعایت کنید.

ارزیابی گزارش نتایج آزمایش 1393/10/13
رد شده

با سلام
چرا نصف اطلاعات را برای تست و نصف دیگر را برای آموزش با اینکه دادگان هم بود؟ میتونستی از boosting استفاده کنی.
در کل چند تا ویژگی داشتی؟ کاش به نمونه را بدست می آوردی و شهودی نشان می دادی.
این کارت چند درصد دقت داشت و چرا confusion matrix را نداری و تحلیل نکردی؟
در این تحقیقاتی که انجام داده اید، اگر برای مثال برج آزادی که یاد داده اید ما رنگ برج آزادی را بجای سفید رنگ دیگری کاملاً متفاوت قرار دهیم، آن را به عنوان برج آزادی تشخیص خواهد داد یا نه؟

با تشکر

یاسر سوری

با سلام

ادعا کرده‌اید که از کد آماده استفاده نکرده‌اید در صورتی که از بین ۲ فایلی که در ریپوزیتوری خود در گیتهاب قرار داده‌اید، segmentation.cpp از مثال‌های خود opencv است و تغییرات اندکی در آن داده‌اید. فایل calculation.cpp نیز مشخص نیست چه کاری انجام می‌دهد.
کدی که در انتها تحویل می‌دهید باید شامل توضیحات و نحوه‌ی اجرا برای گرفتن نتایج باشد.

روشی که انتخاب کرده‌اید خیلی ابتدایی است: اولاً که از ویژگی رنگ rgb استفاده کرده‌اید. ثانیاً هیچ ارتباطی بین super-pixelهای کنار هم نیز در نظر نگرفته‌اید. به نظر خیلی ابتدایی می‌رسد. به نظر نمی‌رسد که کد مربوط به یادگیری و استنتاج در مدل گرافیکی را نیز پیاده سازی کرده باشد، یعنی من چیزی پیدا نکردم.

البته نکته‌ی مثبت کار شما این است که پایگاه داده خوب و استانداردی پیدا کرده‌اید. توصیه می‌کنم که خلاصه‌ای از نتایج مقالات دیگر به صورت جدولی بر روی این پایگاه داده در گزارش خود قرار دهید.

نتایجی هم گزارش نشده است. توصیه می‌کنم که روش خود را به شکل استاندارد با روش‌های دیگری که بر روی این پایگاه داده آزمایش انجام داده‌اند مقایسه کنید. همچنین کد مربوط به محاسبه‌ی دقت را نیز حتما به همراه طریقه‌ی اجرای نرم‌افزار برای گرفتن همان نتایج قرار دهید.

با تشکر

رد شده

با سلام
بخش معرفی و کارهای مرتبط به خوبی توضیح داده شده است.
همچنین در بخش پیاده سازی هم خوب عمل کرده اید و در بخش بهبود هم روش خوبی را به کار گرفته اید که باعث افزایش دقت کار شما شده است.
بهتر بود در مورد فرمول هایی که نوشته اید بیش تر توضیح می دادید ولی با توجه به حجم بالای کار عادی است.
ولی در کل پروژه را به خوبی پیش برده و انجام داده اید.
با آرزوی موفقیت برای شما

کار بسیار عالی و کاملی ارائه دادید فقط بهتر بود برای شکل هایتان شماره گذاری داشتید، همچنین مراجع را به ترتیب حضور در مقاله شماره گذاری می کردید.

باسلام
موضوعی که انتخاب کرده اید موضوع خوبی است.به نظر می رسد موضوع پروژه تان را به خوبی درک کرده اید و از مراحل انجام پروژه این موضوع قابل درک است.بهتر بود فرمول های موجود را بیشتر توضیح می دادید.همانظور که مشخص است در مرحله بهبود در آزمایش دوم به نتایج بهتری رسیده اید.
به نظر می رسد انتخاب در استفاده از ++C ‌به جای متلب سبب افزایش سرعت شده است در حالی که استفاده از کتابخانه های داروین کار را سخت تر کرده اند اما به خوبی از این کتابخانه ها استفاده کرده اید.
در مرحله نهایی به نظر بنده اگر از روش Belief Propagation به جای آلفا expansion‌استفاده می کردید به جواب مطلوب تری می رسیدید.
اما در مجموع نمره ی خوبی به شما تعلق می گیرد.

تایید شده

به نام خدا
سلام ، خسته نباشید .
با مطالعه مطالب این موضوع به چشم می آید که درک درستی از روش پیاده سازی خود داشته اید و با اشراف به موضوع در هر مرحله کار خود را به پیش برده اید.
بهتر است فرمول ها ، مثلا تابع پتانسیل که در آزمایش ها استفاده شده ، بیشتر توضیح دهید.
در آزمایش دوم که تعداد ویژگی های استخراج شده را بیشتر کرده اید نسبت به آزمایش اول نتیجه بهتری حاصل شده، ولی در مورد هر کدام از ویژگی های جدید بهتر بود بیشتر توضیح داده شود.
نکته مثبت دیگر استفاده از زبان سی پلاس پلاس است که سرعت اجرای بیشتری نسبت به بقیه زبان ها دارد.
در کل به دلیل اینکه خودتان این آزماش ها و پیاده سازی ها را انجام دادید ، به نظرم این نمره به شما تعلق گیرد.

حسین فرقانی

ایده‌های خوبی معرفی کرده‌اید و نتایج را به خوبی ارائه داده‌اید. نقدها و ایده‌های جدیدی نیز وجود دارد:

۱. شما نتایج دو پیاده‌سازی از ایده‌های خود را ارائه کردید. اما لازم بود نتایج پیاده‌سازی یکی از ایده‌های موجود (مقاله‌های مطالعه‌شده) را نیز ارائه و با ایده‌های خود مقایسه می‌کردید. لزومی نداشت نتایج ایده شما حتماْ بهتر باشد، ولی مقایسه لازم است. به هر حال پیاده‌سازی ایده‌های شما و نتایج آن خود کار باارزشی است.

۲. برای نمایش ماتریس درهم‌ریختگی بهتر است از heatmap استفاده کنید. (http://stackoverflow.com/questions/10388940/create-a-correlation-graph-in-matlab)

۳. الگوریتم Mean-Shift برای قسمت‌بندی به نسبت الگوریتم ساده‌ای است. الگوریتم‌های کارآتری وجود دارند که می‌توانستید با استفاده از آن‌ها دقت را بالاتر ببرید.

۴. اگر راجع به علت انتخاب HOG و LBP به عنوان ویژگی و عدم انتخاب ویژگی‌هایی مانند SIFT، SURF، DAISY، ... توضیح می‌دادید خیلی بهتر بود.

۵. در مواقعی که برچسب‌گذاری روی قسمت‌ها (segments) انجام می‌گیرد از ویژگی‌های دیگری نیز می‌توانید استفاده کنید که این کار انجام نشده است یا در صورت علاقه می‌توانید در آینده انجام دهید. با توجه به این که بعضی رده‌های شیء مانند چمن اکثر اوقات پایین، و برخی مانند آسمان بالا هستند، می‌توانستید از ویژگی‌های دیگری مانند مختصات y نقاط استفاده کنید. میزان انسداد (occlusion) شیء توسط شیء دیگر می‌تواند به تشخیص اشیائی مانند اتومبیل، حیوانات، یا انسان را که در اکثر مواقع جلوی اشیاء دیگری قرار دارند (آن‌ها را مورد انسداد قرار می‌دهند) کمک کند. میانگین انحنا (curvature) نیز می‌تواند ویژگی مؤثری باشد.

۶. در قسمت کارهای آینده بهتر بود تمرکز و فکر بیشتری صورت می‌گرفت.

۷. اشکالات نگارشی نیز دیده بعضاْ دیده می‌شود. بایستی ترجمه عبارات boosted decision tree classifier و Alpha expansion قرار داده می‌شد.

در کل کار شما را خیلی خوب ارزیابی می‌کنم.

رد شده

با عرض سلام
پروژه خوب ارائه شده بود.مطالب در بخش های مختلف خوب توضیح داده شد .
تعداد عکس ها کافی بود. همچنین کدها هم خوب توضیح داده شده بود.
فقط در بعضی جاها مشکل نگارشی وجود داشت مثلا گفته شده است :اپن سی وس که به جای کلمه ی< اپن >،<متن باز> به کار برده می شد بهتر بود.
در کل پروژه خوب بود.
موفق باشید.

رد شده

مسئله به خوبی معرفی شده و بخش کارهای مرتبط نیز مناسب هستند. پایگاه داده مناسب انتخاب شده است. همچنین به خوبی نحوه پیاده سازی بیان شده و نتایج ذکر شده اند. بهتر بود نتایج کار دیگران را هم ارائه می دادید. در کل کار شما را مناسب ارزیابی می کنم