[论文解读] Object Recognition System Design in Computer Vision: a Universal Approach

Andrew Gleibman|arXiv (Cornell University)|Oct 27, 2013

Image Retrieval and Classification Techniques参考文献 14被引用 4

一句话总结

本文提出了一种通用物体识别系统，采用基于网格的分类器进行物体检测，引入了一种对分辨率具有鲁棒性的纹理描述子——灰度-半径共生矩阵（GLRCM），实现了无限数量数值特征的参数化合成，并通过一种新方法将SVM超参数优化（C和gamma）速度提升了20–100倍。该方法通过实验验证，在多种图像与视频识别任务中表现出稳健性能。

ABSTRACT

The first contribution of this paper is architecture of a multipurpose system, which delegates a range of object detection tasks to a classifier, applied in special grid positions of the tested image. The second contribution is Gray Level-Radius Co-occurrence Matrix, which describes local image texture and topology and, unlike common second order statistics methods, is robust to image resolution. The third contribution is a parametrically controlled automatic synthesis of unlimited number of numerical features for classification. The fourth contribution is a method of optimizing parameters C and gamma in LibSVM-based classifier, which is 20-100 times faster than the commonly applied method. The work is essentially experimental, with demonstration of various methods for definition of objects of interest in images and video sequences.

研究动机与目标

• 设计一种适用于多种任务的通用物体识别系统，使其能泛化于多样化的检测任务。
• 开发一种对图像分辨率不变的纹理描述子GLRCM，以捕捉局部拓扑结构与强度模式。
• 实现自动化的、参数化的无限数量数值特征生成，用于分类任务。
• 通过新方法将LibSVM超参数（C和gamma）的优化速度提升20–100倍，相比标准方法。
• 通过实证验证该系统在真实世界图像与视频识别场景中的有效性。

提出的方法

• 系统在输入图像的预定义空间位置网格上应用分类器以检测物体。
• 灰度-半径共生矩阵（GLRCM）通过分析径向邻域内的灰度值共现情况，计算局部纹理特征，确保对分辨率变化的鲁棒性。
• 通过在GLRCM计算中调节半径、角度和灰度阈值等参数，构建参数化框架，以生成无限数量的数值特征。
• 提出一种新型LibSVM超参数（C和gamma）优化策略，采用快速迭代搜索方法，相比网格搜索或交叉验证，将计算时间减少20–100倍。
• 将上述组件整合为统一的流水线，用于图像与视频序列中的物体识别。
• 实验评估包含18页结果、11幅图表和1张表格，用于展示在多个数据集上的性能表现。

实验结果

研究问题

• RQ1 能否设计一种通用物体识别系统，仅通过单一分类器架构即能泛化于多样化的检测任务？
• RQ2 如何使纹理描述子对图像分辨率变化具有鲁棒性，同时保持其判别能力？
• RQ3 是否可行通过参数化框架自动合成无限数量的数值特征用于分类任务？
• RQ4 能否在不牺牲模型准确率的前提下，显著加速LibSVM的超参数调优？
• RQ5 与现有方法相比，所提出的系统在真实世界图像与视频识别任务中的表现如何？

主要发现

• 所提出的GLRCM纹理描述子对图像分辨率变化具有鲁棒性，在此方面优于传统二阶统计方法。
• 参数化特征合成方法可生成无限数量的数值特征，显著提升分类任务的灵活性与表达能力。
• LibSVM超参数优化方法将训练时间减少20至100倍，相比传统方法，显著提升了可扩展性。
• 通过广泛实验验证，该系统在图像与视频序列的各类物体识别任务中均表现出优异性能。
• 将基于网格的分类、对分辨率鲁棒的纹理特征、可扩展的特征生成以及快速SVM调优相结合，构建出一种高度灵活且高效的通用识别框架。