roboforum.ru

[GraphD]

...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...

Еще раз галопом по определениям.
Разность усредненных яркостей образцов - есть мера различия всех пикселей как целое (т.е. смешали все краски и смотрим в чем отличие).

Попиксельное СКО служит мерой различия яркостей пикселей в образцах, причем когда мы можем сопоставить их позиции в точности!

А евклидова норма г-мы - есть СКО, которое является уже мерой различия плотностей распределения яркостей в образцах.

Отсюда делаем вывод: эти две меры не имеют аналитической взаимосвязи.
Их имеет смысл сравнивать лишь по тому, сколько всевозможных пар образцов будут "похожи" и сколько "не похожи". За эталон "похожести/не похожести" выбирается какая-то другая мера, лучше конечно человек со своим зрением. Т.е. иногда это можно сделать экспериментально. Эксперимент должен запускаться в режимах счетчиков ложных/истинных отождествлений, а потом смотрим у кого счетчик оказался больше. Нечто похожее я делал в дипломе, там был эксперимент с двумя дескрипторами (sift и норм.корреляция), оценивалась достоверность отождествления по принципу "второго ближайшего соседа", но не на счетчиках, а вручную визуально, т.к. все это базировалось на стереокомпараторе, и в отснятой стереопаре руками отсеивались недостоверные дескрипторы...

[=DeaD=]

...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.

Понимаете в чем проблема, - мы ведь не человека пытаемся эмулировать, а образы в окружающем мире распознавать, поэтому понятно, что система распознавания должна быть устойчива к общеизвестным естественным искажениям, - как минимум к незначительному изменению освещения.

Поэтому у меня к вам два вопроса:
1. Чем вас не устроило попиксельное СКО как общепризнанная норма похожести в любых сравнениях?
2. В чем конкретно заключается ваше предложение, кроме как провести эксперимент?

[GraphD]

Какие есть ограничения у СКО?.. Вот что бросается в глаза сразу:
а. Чувствительность к взаимному положению каждого пикселя (в идеале).
б. Для хранения эталона в БД нужно выделять память под каждый фрагмент изобр-ия.

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.

На основе эксперимента так или иначе будет ясно что лучше.

[=DeaD=]

Вообще я вас спрашивал про общепринятые нормы похожести, а не про способы отсечки, но раз уж вы про них начали, давайте про них (хотя вопрос с общепризнанными нормами отсечки остался - вас же СКО не устраивает вроде?):

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

Тут вроде насколько ограничение, настолько и преимущество - зато позволяет точно находить координаты. Не нужно точно - уменьшите размер изображения и ищите так.

б. Для хранения эталона в БД нужно выделять память под каждый фрагмент изобр-ия.

Это пока вообще не понял.

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.

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?

На основе эксперимента так или иначе будет ясно что лучше.

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?

Добавлено спустя 42 минуты 39 секунд:
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.

[GraphD]

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.

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.)

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%.

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)!

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.

[=DeaD=]

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.

Чему-чему эквивалентно?

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.)

Вообще конечно искали одну картинку в другой, а вы что ищете?

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%.

Да не исключить ошибку идентификации на 99.9% при разных ракурсах. Вы сами столовую ложку не узнаете с необычного ракурса.
И вы как-то пропустили про гистограммы вопрос.

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)!

Напишете?

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.

Ну то есть вы решили просто сменить тему на SIFT, ну ясно...

[GraphD]

Да не исключить ошибку идентификации на 99.9% при разных ракурсах. Вы сами столовую ложку не узнаете с необычного ракурса.
И вы как-то пропустили про гистограммы вопрос.

Ок. По-порядку.
Не... ну вот прикиньте, они же уже исключили эту ошибку, зачем нам тормозить самих себя при этом?
Вобщем два ракурса, с которых объект виден совершенно иначе,
т.е. участки со старого ракурса стали менее видны, чем участки с нового,
должны иметь четко раздельные дескрипторы, относящиеся к разным ракурсам. Как этого достигнуть? Нам нужно свойство стабильности деск-ра, когда при некоторой смене ракурса, когда самоперекрытия еще не достаточно сильны, деск-р четко идентифицировался как принадлежащий текущему ракурсу. А при значительных самоперекрытиях, возможно будет некоторая мертвая зона, а потом происходила скачкообразная переидентификация на новый ракурс. Если же, как в случае СКО или корреляции, такая четкость поведения будет нестабильной и в большей степени носить случайный характер, то цифру 99 нам не достигнуть. А такие результаты уже получены, я же не с потолка ее взял.

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

[=DeaD=]

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.

Давайте конкретный источник с идентификацией на 99%. Будет интересно почитать.

"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.

Разве что подсунут. То есть попытки доказать эффективность гистограммы мы оставляем полностью?

[GraphD]

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).

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".

[=DeaD=]

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).

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?

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".

Не хуже в каком смысле? Времени или качества распознавания?

[GraphD]

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.

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).

[=DeaD=]

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.

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?

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).

Так вы только их сравниваете и не двигаете друг относительно друга?

[GraphD]

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...

Так вы только их сравниваете и не двигаете друг относительно друга?

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

[=DeaD=]

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...

Вы будете смеяться, но я этой цифре не верю. По картинкам из статьи всегда ошибки отсутствуют, еще бы он выкладывал картинки где видно, что его метод не так крут

Так вы только их сравниваете и не двигаете друг относительно друга?

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

Вы в тесте вроде двигали гистограммы относительно друг друга, в том примере реальном, который я приводил.
Или вы про что сейчас?

[GraphD]

Вы будете смеяться, но я этой цифре не верю. По картинкам из статьи всегда ошибки отсутствуют, еще бы он выкладывал картинки где видно, что его метод не так крут

Не верите в цифру 1%? Ну, тогда есть версия, что звезды и Луна таким образом осветили и подействовали на Ексцель, в результате чего этот график есть послание нам свыше, и на самом деле не является достоверностью отождествлений дескр-ов, а есть график размножения китайцев на 2008 г.

Вы в тесте вроде двигали гистограммы относительно друг друга, в том примере реальном, который я приводил.
Или вы про что сейчас?

Двигались фрагменты с разными по цвету рамками! правый неподвижен, а левый от края к краю, и в результате два графика - один это разность ср. цвета, а др. - разность г-мм!