| Popis: |
In this paper, we propose an object recognition technique using higher order statistics without the combinatorial explosion of time and memory complexity. The proposed technique is a fusion of two popular algorithms in the literature, Independent Component Analysis (ICA) and Support Vector Machines (SVM). We propose to use ICA to reduce the redundancy in the images and obtain some feature vectors for every image which has lower dimensions and then make use of SVM to classify these feature vectors coming from the ICA step. Experimental results are shown for Coil-20 and an internally created database of 2D manufacturing objects. 1- Giris Insan gozlemciler icin basit bir islem olan nesne tanima, Yapay Gorme alaninda bircok arastirmanin konusunu olusturmus ve makine tabanli bircok nesne tanima sisteminin temel bileseni olmustur. Literaturde cok sayida degisik yaklasimlar onerilmistir. Yapay gorme alaninda bicim esleme ustune ayrintili bir inceleme (1, 2, 3)'te bulunabilir. Genelleme yapmak gerekirse, iki tur yaklasim vardir: 1) Kenar elemanlari veya eklem gibi cikarilan ozniteliklerin uzaysal duzenlemelerinin kullanimini iceren, oznitelik tabanli yaklasimlar, 2) piksel parlakliginin daha dogrudan kullanimini yapan, parlaklik tabanli yaklasimlar. Parlaklik tabanli (veya gorunum tabanli) yontemler kapatan cevritin bicimine veya cikarilan diger ozniteliklere odaklanmak yerine, nesnenin gorunen kismindaki gri degerlerini kullanir. BBA veya Temel Bilesen Analizi (TBA) gibi altuzay yontemleri yuz tanima (4) ve robot gorme sistemlerine basariyla uygulanmistir. Literaturde BBA ve TBA arasinda karsilastirma yapan bircok calisma da vardir; BBA yuksek dereceden istatistikler kullandigi icin ikinci dereceden istatistikleri kullanan TBA'dan daha basarili olmasi beklenir. Bu calismalardan biri Sahambi ve arkadaslarina ait (5), BBA ve TBA'nin basarimlarini nesne tanima isinde karsilastiran calismadir. Bagimsiz ve temel bilesen analizini Coil-20 veritabanina degisik ornekleme acilariyla (25° ve 50°), sinama nesnelerinin bagimsiz ve temel bilesenlerinin katsayilariyla egitim asamasinda kullanilan nesnelerin katsayilarinin ortalamalari arasindaki farki bulmak icin Oklid uzakligini kullanarak uygulamislardir. Bu yontem icin Coil-20 veritabaninda tanima oranlari %70-80 civarindadir. Pontil ve meslektaslari tarafindan (6) nesne tanima icin Destek Vektor Makinesi (DVM) kullanan baska bir yaklasim onerilmistir. DVM'nin yuksek boyutlu veriyi siniflandirmadaki gucu bilindigi icin, Pontil ve arkadaslari boyutlulugu azaltmak icin herhangi bir oznitelik cikarma teknigi kullanmamislardir. Hesaplamalarin hizini artirmak icin ozgun hali 128x128'lik olan imgeleri 32x32'ye olceklemisler ve imgeleri yuksek boyutlu bir uzaydaki noktalar olarak dusunup aciyi kestirmeksizin tanima yapmislardir. Ancak, algoritma 32x32'lik imgeleri veri noktalari olarak aldigi icin hesap yuku fazladir. Makalede onerilen yontem, BBA'nin bir imgedeki piksel parlaklik degerleri arasindaki dogrusal olmayan iliskileri de iceren yuksek dereceden bagimliliklari modellemedeki ustunlugu ile DVM'nin bir en iyi ayiran altduzlem yaratmadaki ustunlugunu birlestirmektir. Makalenin duzeni su sekildedir: Bagimsiz bilesen analizi (BBA) hakkinda onbilgi Bolum 2'de verilmistir; destek vektor makinesi (DVM)'nin altinda yatan fikir Bolum 3'te kisaca aciklanmistir; bu makalede kullanilan yaklasim Bolum 4'te ozetlenmistir ve deney sonuclari Bolum 5'te verilmis; hemen ardindan Bolum 6'da tartisma ve sonuclar eklenmistir. 2- Bagimsiz Bilesen Analizi (BBA) BBA kor kaynak ayirmasi yapabilen bir yontemdir. Hem kaynak isaretlerinin hem de bunlarin nasil karistiklarinin bilinmemesinden dolayi ayristirma kor olarak yapilmaktadir. BBA algoritmasi oyle bir dogrusal kordinat sistemi bulur ki elde edilen isaretler istatistiksel olarak birbirinden bagimsiz olur. TBA gibi ilinti tabanli donusumlerden farkli olarak, BBA |
