roboforum.ru

GraphD писал(а):

=DeaD= писал(а):...и дать оценку в этом случае попиксельному СКО, ведь оно должно быть гарантированно больше некоторого значения, иначе вы с большой вероятностью пропустили искомый вами фрагмент...

Странное желание у вас все свести к попиксельному СКО...

...skipped...

За эталон "похожести/не похожести" выбирается какая-то другая мера, лучше конечно человек со своим зрением.

GraphD писал(а):Какие есть ограничения у СКО?.. Вот что бросается в глаза сразу:
а. Чувствительность к взаимному положению каждого пикселя (в идеале).

GraphD писал(а):б. Для хранения эталона в БД нужно выделять память под каждый фрагмент изобр-ия.

GraphD писал(а):PS: На базе того же sift и БД признаков уже есть алгоритм ориентации моб.робота в незнакомой обстановке при любом начальном положении. В реализации еще использовалась одометрия для более точного позиционирования. Исходя из очень меняющейся обстановки в изображении сцены, СКО просто проиграл бы sift-у в поиске соответствий.

GraphD писал(а):На основе эксперимента так или иначе будет ясно что лучше.

GraphD писал(а):

=DeaD= писал(а):Тут вроде насколько ограничение, настолько и преимущество - зато позволяет точно находить координаты. Не нужно точно - уменьшите размер изображения и ищите так.

Вы говорите про какую-то более сложную схему поиска, в котором СКО считается для нескольких масштабированных изобр-ий исходного (?), т.е. как я понял это эквивалентно увеличению размерности.

GraphD писал(а):

=DeaD= писал(а):

GraphD писал(а):б. Для хранения эталона в БД нужно выделять память под каждый фрагмент изобр-ия.

Это пока вообще не понял.

БД из того, что ищем. (Если конечно не одну картинку в другой.)

GraphD писал(а):

=DeaD= писал(а):Какое имеет отношение sift к вашему предложению сравнивать гистограммы? Я разве сказал, что СКО круче произвольных дескрипторов для отсечек? Более того мне пока не ясно почему СКО бы обязательно с ходу проиграл бы?

Думаю проиграл бы в уровне стабильности при сменах ракурсов одних и тех же областей, т.е. по ошибке идентификации, которую вообще желательно исключить на 99,9%.

GraphD писал(а):

=DeaD= писал(а):Это-то понятно, только не ясно что с чем сравнивать - мой предложенный метод описан почти полностью, а ваши гистограммы как-то технично превратились в чужой sift, если я ничего не пропустил?

Ну например сравнить между собой ср.яркость, СКО, корреляцию, sift, гистограмму яркостей, гистограмму градиентов. Чего тут описывать? Тут надо писать (программу)!

GraphD писал(а):

=DeaD= писал(а):Прочитал про SIFT немного (не полностью), метод конечно крут, хотя на части случаев, думаю, не прокатит. И совсем не понял, какое он имеет отношение к предложенным вами гистограммам? Только тем, что там тоже некоторые вектора на выходе получаются? Так у них векторов очень мало получается и значения между измерениями вроде не прыгают ни в коем разе.

Какое отношение имеет sift к гистограмме яркости? Никакого абсолютно. А про то, что там в нем есть гистограммы направления градиентов - дак это да, причем инвариантность достигается как к масштабу, так и к повороту. А это и нужно при тряске и движении по заранее неизвестной местности.

GraphD писал(а):

=DeaD= писал(а):Да не исключить ошибку идентификации на 99.9% при разных ракурсах. Вы сами столовую ложку не узнаете с необычного ракурса.

Не... ну вот прикиньте, они же уже исключили эту ошибку, зачем нам тормозить самих себя при этом?

Цифру 99 нам не достигнуть. А такие результаты уже получены, я же не с потолка ее взял.

GraphD писал(а):"Какое имеет отношение sift к вашему предложению сравнивать гистограммы?"
Никакого!
PS: Конкретные вопросы про г-ммы и СКО уже частично обсудили, повторяться не охото. Ну вот и sift как вариант был подсунут.

GraphD писал(а):

=DeaD= писал(а):Давайте конкретный источник с идентификацией на 99%. Будет интересно почитать.

В той статье (Distinctive Image Features from Scale-Invariant Keypoints) есть график с вероятностями истинного и ложного отождествления. Где отношение этих вероятностей приближается к 100/1 (и растет дальше), и возникает эта цифра. Результат уже моего эксперимента в виде процентного графика ложных - на рис. (начало графика).

GraphD писал(а):

=DeaD= писал(а):Разве что подсунут. То есть попытки доказать эффективность гистограммы мы оставляем полностью?

Эффективность можно доказать лишь в конкретном эксперименте, а теоритически только предсказать. В тесте, что уже постил, показывается хотябы то, что она "не хуже".

GraphD писал(а):

=DeaD= писал(а):Дык а где гарантия 99% распознавания то? Я к ошибке идентификации отношу не только неверную идентификацию, но и отсутствие этой самой идентификации. А вы похоже нет?

Можно считать, что 1% дают неверную и пр. идентификации и их отсутствие.

GraphD писал(а):

=DeaD= писал(а):Не хуже в каком смысле? Времени или качества распознавания?

Не хуже в качестве меры. Время распознавания - т.е. сложность алгоритмов? расчет г-ммы - это O(N) N-число пикселей, на гистограмму я брал M=20-40 ячеек доп. памяти (int), т.е. их сравнение фактически O(M).

GraphD писал(а):

=DeaD= писал(а):Я вас не понял, вы хотите сказать что эта система распознавания не дает распознавания объекта только в 1% случаев, когда он есть в кадре под любым небольшим углом?

Да, только идентификация отдельно полученных дескр-ов. В этот процент входят все виды ошибки, включая ложные отождествления и неидентифицированные (не нашли, хотя в кадре есть). Эта цифра лишь моя, по тому, что у Lowe в статье по реализации СТЗ на роботе, он вообще ничего не говорит, по картинкам ошибки вроде как отсутствуют...

GraphD писал(а):

=DeaD= писал(а):Так вы только их сравниваете и не двигаете друг относительно друга?

O(M) - это сложность евклидовой нормы разности, что бралась в тесте