Modèle de sac de mots: Libérer l'intelligence visuelle avec un sac de mots

Par Fouad Sabry

Qu'est-ce que le modèle du sac de mots

En vision par ordinateur, le modèle du sac de mots, parfois appelé modèle du sac de mots visuels, peut être appliqué à la classification d'images. ou la récupération, en traitant les caractéristiques de l'image comme des mots. Dans la classification de documents, un sac de mots est un vecteur clairsemé du nombre d'occurrences de mots ; c'est-à-dire un histogramme clairsemé sur le vocabulaire. En vision par ordinateur, un sac de mots visuels est un vecteur de nombre d'occurrences d'un vocabulaire de caractéristiques d'image locales.

Comment vous en bénéficierez

(I ) Informations et validations sur les sujets suivants :

Chapitre 1 : Modèle de sac de mots en vision par ordinateur

Chapitre 2 : Segmentation d'images

Chapitre 3  : Transformation de caractéristiques invariantes à l'échelle

Chapitre 4 : Mettre à l'échelle l'espace

Chapitre 5 : Annotation automatique d'image

Chapitre 6 : Structure à partir du mouvement

Chapitre 7 : Résolution sous-pixel

Chapitre 8 : Décalage moyen

Chapitre 9 : Estimation de la pose du corps articulé

Chapitre 10 : Modèles basés sur des pièces

(II) Répondre aux principales questions du public sur le modèle de sac de mots.

(III) Exemples concrets d'utilisation du modèle de sac de mots dans de nombreux domaines.

À qui s'adresse ce livre

Les professionnels, les étudiants de premier cycle et des cycles supérieurs, les passionnés, les amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de modèle de sac de mots .

 

 

• Langue: Français
• Éditeur: Un Milliard De Personnes Informées [French]
• Date de sortie: 14 mai 2024

Aperçu du livre

Modèle de sac de mots

Débloquer l'intelligence visuelle avec Bag of Words

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines commerciales internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One billion knowledge.

Un milliard de connaissances

Modèle de sac de mots

Débloquer l'intelligence visuelle avec Bag of Words

Fouad Sabry

Copyright

Sac de mots modèle © 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture conçue par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans ce livre.

Table des matières

Chapitre 1 : Modèle de sac de mots en vision par ordinateur

Chapitre 2 : Segmentation d'images

Chapitre 3 : Transformation de caractéristique invariante à l'échelle

Chapitre 4 : Espace de mise à l'échelle

Chapitre 5 : Annotation automatique des images

Chapitre 6 : Structure du mouvement

Chapitre 7 : Résolution sous-pixel

Chapitre 8 : Décalage moyen

Chapitre 9 : Estimation de la pose du corps articulé

Chapitre 10 : Modèles basés sur les pièces

Appendice

À propos de l'auteur

Chapitre 1 : Modèle de sac de mots en vision par ordinateur

Le modèle du sac de mots (modèle BoW), également connu sous le nom de modèle du sac de mots visuels, est une technique utilisée en vision par ordinateur pour classer et récupérer des images en interprétant leurs caractéristiques comme des mots. Un sac de mots est un vecteur épars du nombre d'occurrences de mots, ou un histogramme épars sur le vocabulaire, utilisé pour la classification des documents. En vision par ordinateur, un « sac de mots visuels » est un vocabulaire de caractéristiques d'image locales qui est représenté par un vecteur de nombre d'occurrences.

En utilisant le modèle BoW, une image peut être représentée de la même manière qu'un document. Les images qui contiennent des « mots » doivent également être clarifiées. Trois procédures courantes (détection des fonctionnalités, description des fonctionnalités et génération de livres de codes) sont utilisées pour ce faire. La « représentation de l'histogramme basée sur des caractéristiques indépendantes » est une façon de caractériser le modèle de BoW.

Chaque image est ensuite abstraite par un certain nombre de patchs de voisinage après la détection des caractéristiques. La façon dont les patchs doivent être représentés sous forme de vecteurs numériques est au centre des techniques de représentation des caractéristiques. Les descripteurs de caractéristiques sont les noms de ces vecteurs numériques. Un bon descripteur doit être suffisamment flexible pour tenir compte des variations de luminosité, de rotation, d'échelle et de transformations affines. La transformation de caractéristique invariante à l'échelle est l'un des identificateurs les plus connus (SIFT). Chaque patch est transformé par SIFT en un vecteur à 128 dimensions. À ce stade, l'ordre des vecteurs individuels dans une image n'est pas pertinent, car ils sont tous de la même taille (128 pour SIFT).

Enfin, le modèle BoW produit un « livre de codes » en traduisant les patchs représentés par des vecteurs en « mots de code » (comme des mots dans des documents texte) (analogie avec un dictionnaire de mots). Un mot de code peut remplacer un groupe de correctifs qui sont tous essentiellement les mêmes. Le clustering K-means peut être effectué sur tous les vecteurs pour une solution rapide et facile. Les centres de ces groupes nouvellement appris deviennent des mots de code. La capacité du livre de codes est égale au nombre total de clusters (analogue à la taille du dictionnaire de mots).

À la suite de la procédure de clustering, chaque patch d'image est associé à un mot de code unique, et l'image elle-même peut être représentée par un histogramme des mots de code.

Plusieurs méthodes d'apprentissage ont été développées par la communauté de recherche en vision par ordinateur pour tirer parti du modèle BoW pour les tâches liées à l'image comme la catégorisation d'objets. Les modèles non supervisés et supervisés fournissent une catégorisation approximative de ces techniques. Lors de l'évaluation des solutions à un problème impliquant plusieurs étiquettes, la matrice de confusion est un outil utile.

Veuillez consulter les notes d'accompagnement de ce segment.

Supposons que la taille du livre de codes soit V .

w : chaque patch w est un vecteur de dimension V qui a un seul composant égal à un et tous les autres composants égaux à zéro (pour le paramètre de clustering k-means, le composant unique égal à un indique le cluster auquel w il appartient).

Le v ième mot de code dans le livre de codes peut être représenté par w^{v}=1 et w^{u}=0 pour u\neq v .

\mathbf {w} : chaque image est représentée par \mathbf {w} =[w_{1},w_{2},\cdots ,w_{N}] , tous les points qui composent une image

d_{j} : la j ième image d'une collection d'images

c : catégorie de l'image

z : thème ou sujet du patch

\pi : proportion du mélange

Parce que son homologue NLP, le modèle BoW, est une analogie, la vision par ordinateur peut bénéficier de modèles génératifs créés à l'origine pour le domaine textuel.

Le modèle bayésien naïf simple et les modèles bayésiens hiérarchiques sont discutés.

Le plus simple est le classificateur naïf bayésien.

Utilisant la notation de modèle graphique, le classificateur naïf bayésien est décrit par l'équation ci-dessous.

Chaque classification est supposée avoir sa propre distribution unique entre les différents livres de codes de ce modèle, et qu'il existe une distinction claire entre les distributions des différents groupes.

Considérez les catégories de visages et d'automobiles.

Les codes pour « nez » peuvent être mis en évidence dans la classification des visages, « œil » et « bouche », roue et fenêtre peuvent être mis en évidence comme mots de code dans la sous-catégorie automobile.

Fourni une bibliothèque de données d'entraînement, le classifieur est entraîné à produire de nouvelles distributions pour chaque catégorie.

La détermination de