Opracowanie efektywnych metod analizy obrazów za pomocą lokalnych deskryptorów

Prezentacja będzie zawierała wyniki przedstawione w pracy magisterskiej i zwiazanej z tym publikacji.

Ze względu na konieczność wykorzystywania, a co za tym idzie przechowywania, coraz większych zbiorów danych, do analizy obrazów niezbędne są coraz większe wolumeny pamięci. W artykule “Resfeats: Residual network based features for image classification” Mahmood i in. zaproponowali sposób reprezentacji obrazów jako wektorów cech rzadkich o długości 3584, tak zwanych ResFeatów. W niniejszej pracy podjęto się kontynuacji badań nad tymi cechami i przedstawiono sposoby pozyskiwania wydajnych podsumowań zbiorów danych, pozwalające na redukcję niezbędnej do ich przechowywania pamięci nawet ponad 250 razy, w porównaniu z ResFeatami. W pracy zbadano między innymi wpływ PCA, a także metodę stratnej kompresji wartości zmiennoprzecinkowych na trafność klasyfikacji. Wyniki klasyfikacji przy takiej kompresji są porównywalne z uzyskanymi na zapewniających mniejszą kompresję ResFeatach. Proponowane rozwiązanie przetestowano również pod kątem wyszukiwania na podstawie reprezentacji obrazów podobnych do danego. Wyjątkowo dobre wyniki otrzymano dla zbioru obrazów Dog vs Cat, dla którego proponowane wektory cech, opisujące zdjęcia psów i kotów, zachowały wystarczającą ilość informacji, żeby nie tylko gatunek szukanego zwierzęcia był dobierany poprawnie, ale również jego rasa.