CM02

Question 1

Gradient

Answer 1

Noyau Gx=[-1,0,1], Gx=[-1,0,1]'
norme sqrt(gx2+gy2)
orientation atan2(gx,gy)

Question 2

SIFT

Answer 2

Scale-invariant feature transform
Détection de l’échelle par le noyau qui maximise réponse au laplacien.
Détection de coins : matrice hessienne H = |Dxx Dxy, Dxy Dyy| (gradient dans 2 directions), les valeurs propres représentent la courbure principale. Critère de Lowe rth=10, R = tr(H)2/det(H) < (rth+1)2/rth
Invariance rotationelle : histogramme des orientations du gradient pondérées par la norme, pic = orientation principale, on renormalise avec orientation 0)
SIFT : découpe en sous-pavage pour rendre plus robuste

Question 3

Sac de mots

Answer 3

mots visuels détectés et normalisés par SIFT, clustering (non supervisé) par la méthode k-moyennes : points aléatoires, séparation puis déplacement vers le cen²troïde jusqu’à convergence, histogramme de codewords (fréquence) comme vecteur descripteur. On peut faire des histogrammes spatials.

Question 4

HoG

Answer 4

Histograms of oriented gradients
Normalisation (NB), calcul des gradients (norme et orientation), histogramme des orientations pour chaque cellule (px), renormalisation du contraste dans chaque bloc, concatenation dans un vecteur.

Question 5

Discrétisation des critères

Answer 5

RVB : 3 booléens pour éviter une relation d’ordre. Attention, normaliser les autres critères (taille de l’ordre de 100…) selon min-max ou N(0,1).

Question 6

Classification multi-classe par classifieurs simples

Answer 6

• 1 vs all, k classes, k classifieurs (on prend le meilleur score)
• 1 vs 1, k classes, k(k-1)/2 classifieurs, système par votes, au moins k-1 classifieurs doivent reconnaître l’objet.
  Dilemme, 1 vs all mieux si classifieur puissant, 1 vs 1 plus simple de séparer 2 classes mais coûteux.

Question 7

Caractéristiques de Haar

Answer 7

Petits filtres binaires jouant sur les symétries, très rapide à calculer (image intégrale : g=D-C-B+A)