Object Class Recognition Using Discriminative Local Features
Abstract
In this paper, we introduce a scale-invariant feature selection method that learns to recognize and detect object classes from images of natural scenes. The first step of our method consists of clustering local scale-invariant descriptors to characterize object class appearance. Next, we train on the groups, and perform feature selection to determine the most discriminative parts. We use local regions to realize robust and sparse part and texture selection invariant to changes in scale, orientation and affine deformation and, as a result, we avoid image normalization in both training and prediction phases. We train our object models without requiring image parts to be labeled or objects to be separated from the background. Moreover, our method continues to work well when images have cluttered background and occluded objects. We evaluate our method on seven recently proposed datasets, and quantitatively compare the effect of different types of local regions and feature selection criteria on object recognition. Our experiments show that local invariant descriptors are an appropriate representation for many different object classes. Our results also confirm the importance of appearance-based discriminative feature selection.
Cet article présente une méthode originale de sélection de caractéristiques invariantes à l'échelle pour la reconnaissance et la détection de classes d'objets. La première étape de notre méthode consiste à regrouper en clusters des descripteurs locaux invariants en échelle afin de caractériser l'apparence d'une classe d'objets. Un classifieur est ensuite appris pour chaque primitive et les plus discriminantes sont sélectionnées. Nous utilisons des descripteurs locaux afin de réaliser une sélection robuste et éparse de parties d'objets et de textures, invariantes aux changements d'échelle, d'orientation et aux transformations affines. De ce fait, nous évitons tout type de normalisation d'images lors des phases d'apprentissage et d'évaluation. Lors de l'apprentissage, il n'est pas nécessaire d'identifier manuellement les parties d'objets, ou de séparer manuellement un objet du fond dans une image. De plus, notre méthode donne de bons résultats quand le fond est chargé et que les objets sont partiellement occultés. Nous évaluons nos méthodes sur sept bases de données récentes, et comparons quantitativement l'influence des descripteurs locaux et des méthodes de sélection de primitives. Nos expériences montrent que les descripteurs basés sur des invariants locaux permettent une représentation appropriée de classes d'objets et souligne l'importance de la sélection de caractéristiques.
Domains
Other [cs.OH]
Loading...