Reconhecimento de Ações
|
|
- Carlos Eduardo Klettenberg de Paiva
- 6 Há anos
- Visualizações:
Transcrição
1 Reconhecimento de Ações Humanas a partir de Vídeos Ana Paula Brandão Lopes SEMINÁRIOS DO NPDI 07/11/2008
2 Roteiro Introdução ao Problema Reconhecimento de Ações: Visão Geral Abordagens para Rec. de Ações Exemplos Trabalho em Andamento Idéias Questões 2
3 Roteiro Introdução ao Problema Reconhecimento de Ações: Visão Geral Abordagens para Rec. de Ações Exemplos Trabalho em Andamento Idéias Questões 3
4 Motivação Recuperação de Informação Visual Estado da Arte (chang2007): Detectores de conceito. Vetor de características: Probabilidade de ocorrência de cada conceito Suporta busca textual 4
5 Motivação Quais conceitos detectar? LSCOM Large-Scale Concept Ontology for Multimedia ~2000 conceitos identificados. ~400 anotados em 80 horas de vídeo (TRECVID). Por quadro. 5
6 Motivação Quais conceitos detectar? LSCOM activity/event 24 conceitos envolvendo movimento Anotados por seqüência (não por quadro) 6
7 Motivação Quais conceitos detectar? LSCOM activity/event 24 conceitos envolvendo movimento Anotados por seqüência (não por quadro) tratamento diferenciado para a informação dinâmica! 7
8 Motivação Um possível conceito dinâmico:ações humanas. 8
9 Definição do Problema (Ideal) Dado: um vídeo Identificar: O que as pessoas estão fazendo nele. 9
10 Definição do Problema (+Realista) Dados: uma seqüência de quadros, filmados com uma única câmera. um conjunto finito de ações. Identificar: Presença de uma ou mais dessas ações. Pode envolver: Localização (espaço, tempo). 10
11 Aplicações Recup. de Vídeos com Base no Conteúdo. Segurança: 11 Detecção de movimentos anormais. Reconhecimento pelo jeito de andar (gait). Análise de vídeos esportivos. Interação Humano-computador. Movimentos em pacientes: Detecção de anomalias.
12 Roteiro Introdução ao Problema Reconhecimento de Ações: Visão Geral Abordagens para Rec. de Ações Exemplos Trabalho em Andamento Idéias Questões 12
13 Etapas para o Reconhecimento de AçõesA Representação das seqüências Modelagem das ações Classificação de novas seqüências Frame àframe seqüência subseqüências Conjunto de exemplos rotulados Aprendizagem de máquina Aplicação ao modelo 13 Comparação direta
14 Abordagens para Representação Modelo dos objetos em movimento Representações genéricas Características densas Características esparsas Modelos 3D Modelos 2D Trajetórias Bag-of-Words Aparência Silhuetas (blobs, partes, pontos de interesse) Outras (filtros, volumes de voxels, etc...) Seqüência de 14 poses (modelagem) Volumes espaçotemporais Moldes espaçotemporais
15 Roteiro Introdução ao Problema Reconhecimento de Ações: Visão Geral Abordagens para Rec. de Ações Exemplos Trabalho em Andamento Idéias Questões 15
16 Abordagens baseadas em modelos dos objetos em movimento
17 Modelos 3D 17 Fonte: yilmaz2006
18 Modelos 2D - aparência 18 efros2003
19 Modelos 2D - silhuetas 19 wang2007
20 Modelos 2D Moldes 2D MEI (col. 2) Motion Energy Image onde MHI (col. 3) Motion history image como (quando?) 20 bobick2001
21 Modelos 2D volumes ST black yilmaz2005
22 Trajetórias rias cuntoor
23 Abordagens Baseadas em modelos dos objetos em movimento Limitações: várias suposições sobre o conteúdo: Pessoa/objeto está inteiramente contido seqüência. São dados: Segmentação Rastreamento Tipos de ações: Poucos Conhecidos Bem diferentes entre si Só funcionam em situações controladas. 23
24 Abordagens Genéricas Nenhuma ou poucas suposições Uma linha que se sobressai: Abordagens Bag-of-Words (BOW) 24
25 Bases de Dados Weizmann blank2005 KTH schuldt2004 Filmes laptev
26 Weizmann 81 seqüências 9 pessoas 9 ações 25 fps, 180 x 144 Correndo, caminhando. Fazendo polichinelo. Pulando para frente com as duas pernas. Pulando no lugar. Galopando de lado. Acenando com as duas mãos. Acenando com uma mão. Inclinando-se. 26
27 27 Weizmann
28 KTH 2391 seqüências 25 sujeitos 6 ações Caminhando, trotando, correndo, boxeando, acenando, batendo palmas. 4 cenários 28 Cena externa. Cena externa com variação de escala. Cena externa com roupas diferentes. Cena interna. 25 fps, 160x120
29 29 KTH
30 Filmes 397 seqüências 12 filmes 8 ações Atender o telefone Sair do carro Apertar as mãos Abraçar uma pessoa Beijar Sentar-se Levantar-se Ficar de pé 30
31 31 Filmes
32 Abordagens Bag-of-Words (BOW) Bag-of-words para RI em textos: Dicionário: palavras do conjunto de treino Representação de um texto: vetor de ocorrências das palavras do dicionário 32
33 Abordagens Bag-of-Words (BOW) Bag-of-words para RI em textos: Dicionário: palavras do conjunto de treino Representação de um texto: vetor de ocorrências das palavras do dicionário 33
34 BOW em imagens Seleção de pedaços de várias imagens. Descrição dos pedaços, Conteúdo visual. Agrupamento por semelhança. Grupo = Palavra do dicionário. BOW da imagem: Contagem de pedaços em cada grupo. 34
35 BOW em imagens agarwal
36 BOW em vídeosv dollar
37 BOW questões-chave Escolha dos pontos a serem descritos. Caraterísticas densas. Características esparsas. Pontos de interesse. Escolha aleatória. Descrição dos pontos. Construção do vocabulário. 37
38 Utilizando BOW para reconhecimento de açõesa
39 Descritores diversos...
40 Recognizing Human Actions: A Local SVM Approach (schuldt2004) Características: Características locais (LF) Pontos de interesse de laptev2003 Jets espaço-temporais derivadas parciais de diversas ordens BOW feitos com esses pontos (HistLF) Histog. de grad. espaço-temporais (HistSTG) 4 escalas de tempo (pirâmide temporal) pontos com gradiente temporal acima de um limiar 40
41 Recognizing Human Actions: A Local SVM Approach (schuldt2004) Resultados (KTH) Treinamento: Combinações de cenários LF + SVM Melhor em todos HistLF melhor que HistSTG SVM melhor que NN 41 Média = 71.7%
42 Behavior Recognition via Sparse Spatio- Temporal Features (dollar2005) BOW Malha mais densa de pontos. Características: Valores dos pixels normalizados. Gradientes de brilho. Fluxo óptico. Teste KTH ~80%. 42
43 3D-SIFT A 3-Dimensional SIFT Descriptor and its Application to Action Recognition (scovanner2007) Gradientes no espaço-tempo. Weizmann 82.6%. 43
44 Local velocity-adapted motion events for spatio-temporal temporal recognition (laptev2007a) Altera o descritor de laptev2003 Adaptação local de velocidade 44 Compensar movimentos de câmera Várias combinações de: Descritores Distâncias SVM, NN Melhor (KTH): 86.3%
45 Adicionando Informação Temporal...
46 Discriminative Subsequence Mining for Action Classification (nowozin2007) Características de dollar2005 ItemSet boosting Combinações de palavras mais discriminativas Redução de características Histograma no tempo: 46
47 Discriminative Subsequence Mining for Action Classification (nowozin2007) Mineração das seqüências mais freqüentes. Algoritmo PrefixSpan LPBoost: Identifica as sequências mais discriminativas. Classifica. KTH 84.7% Baseline (SVM + kernel não-linear) 87% 47
48 Técnicas não- supervisionadas...
49 Características: dollar2005 Unsupervised Learning of Human Action Categories Using Spatial-Temporal Words (niebles2008) Técnicas não-supervisionadas: plsa (probabilistic Latent Semantic Analysis) LDA (Latent Dirichlet Allocation) KTH: 83% Weizmann: 90% Skate: 80% 49
50 Semi-Latent Dirichlet Allocation: A Hierarchical Model for Human Action Recognition (wang2007b) Detecta, rastreia e estabiliza cada pessoa Descritor do quadro: 50 Fluxo óptico de efros2003. Similaridade: correlação normalizada. Vocabulário de quadros. BOW sobre a sequência: cada quadro é contado
51 Semi-Latent Dirichlet Allocation: A Hierarchical Model for Human Action Recognition (wang2007b) Classificação: Variação do plsa. KTH 92.4% Futebol 79.19% 51
52 Adicionando Informação Estrutural...
53 A Hierarchical Model of Shape and Appearance for Human Action Classification(niebles2007) Abordagens BOW 53 informação de posição? Modelo hierárquico (mod. de constelação) 1ª camada: partes 2ª camada: BOW das partes
54 A Hierarchical Model of Shape and Appearance for Human Action Classification(niebles2007) Descritores: Descritores de dollar2005. Seleção aleatória dos pontos da borda + contexto da forma. Classificação (SVM): Por quadro + votação. Weizmann: Quadro: 55% Votação: 72.8% Mas... Classificação por quadro. Sem subtração de fundo. Sem compensação de movimento. 54
55 Spatial-Temporal correlatons for unsupervised action classification (savarese2008) Correlogramas espaçotemporais: kernel espaço-temporal co-ocorrência das palavras Distância, ângulo Quantização dos correlogramas correlatons 55
56 Spatial-Temporal correlatons for unsupervised action classification (savarese2008) KTH sem correlatons X com correlatons 56
57 Learning Human Actions via Information Maximization (liu2008a) Características: dollar2005 Formação do vocabulário: Funde agrupamentos muito similares. Video Word Clusters (VWC). Informação estrutural: Correlograma espacial entre as VWC. Casamento de pirâmides. 57
58 Learning Human Actions via Information Maximization (liu2008a) KTH VWC: 91% Correlograma: 94% Pirâmides: 93.8% 58
59 Learning realistic human actions from movies (laptev2008) Pontos de interesse espaço-tempo (laptev2003) Representação mais densa (s/ sel. escala) 59
60 Learning realistic human actions from movies (laptev2008) Informação Estrutural Grids variados (canais): 60
61 Learning realistic human actions from movies (laptev2008) Classificação SVM multicanal (fusão?) KTH 91.8% FILMES 61
62 Roteiro Introdução ao Problema Reconhecimento de Ações: Visão Geral Abordagens para Rec. de Ações Exemplos Trabalho em Andamento Idéias Questões 62
63 Trabalho em Andamento Representação BOW: Pontos de interesse: SURF Descritores: SURF + fluxo óptico na vizinhança. Construção do vocabulário: k-means. Representação final. Testes? 63
64 Roteiro Introdução ao Problema Reconhecimento de Ações: Visão Geral Abordagens para Rec. de Ações Exemplos Trabalho em Andamento Idéias Questões 64
65 Idéias Trabalho em Andamento Representação BOW: Pontos de interesse: SURF Descritores: SURF + fluxo óptico na vizinhança. Construção do vocabulário: k-means. Representação final. Testes? 65
66 Idéias Trabalho em Andamento Representação BOW: Comparação com SIFT, PCA- SIFT Pontos de interesse: SURF Descritores: SURF + fluxo óptico na vizinhança. Construção do vocabulário: k-means. Representação final. Testes? 66
67 Idéias Trabalho em Andamento Representação BOW: Pontos de interesse: SURF Descritores: Comparação com SIFT, PCA- SIFT PCA SURF + fluxo óptico na vizinhança. Construção do vocabulário: k-means. Representação final. Testes? 67
68 Idéias Trabalho em Andamento Representação BOW: Comparação com SIFT, PCA- SIFT Pontos de interesse: SURF Descritores: SURF + fluxo óptico na vizinhança. Construção do vocabulário: k-means. Representação final. Testes? PCA Diferentes pesos para FO e SURF 68
69 Idéias Trabalho em Andamento Representação BOW: Comparação com SIFT, PCA- SIFT Pontos de interesse: SURF Descritores: SURF + fluxo óptico na vizinhança. Construção do vocabulário: k-means. Representação final. Testes? Agrupamento com parada por semelhança. PCA Diferentes pesos para FO e SURF 69
70 Idéias Trabalho em Andamento Representação BOW: Comparação com SIFT, PCA- SIFT Pontos de interesse: SURF Descritores: SURF + fluxo óptico na vizinhança. Construção do vocabulário: k-means. Representação final. Testes? Agrupamento com parada por semelhança. PCA Diferentes pesos para FO e SURF 70 Representação tf/idf
71 Idéias Representação Adição de informação: de cor? estrutural? temporal? Mecanismos de fusão? 71
72 Idéias BOW Alternativas para: Redução de dimensionalidade? Seleção de características? Criação do vocabulário: Alternativas ao k-means? 72
73 Idéias Modelagem/Classificação Técnicas de Aprendizagem de Máquina. Supervisionadas. Não-supervisionadas. Modelos que lidam com dados seqüenciais. Buscar modelos em RI tradicional? 73
74 Idéias - Geral Estender outras técnicas de rec. de objetos? Técnicas de boosting? Outras? 74
75 Roteiro Introdução ao Problema Reconhecimento de Ações: Visão Geral Abordagens para Rec. de Ações Exemplos Trabalho em Andamento Idéias Questões 75
76 Bobick1997 Movimento: Unidade fundamental. Ex: balançar o bastão. Atividade: Sequência estatística de movimentos. Ex: lançar a bola. Ação: Complexo, depende do contexto (???) 76 Questões Como tratar a nomenclatura? Moeslung2006 Primitivas motoras: Entidades atômicas. Ações: Composta de primitivas motoras. Atividades: Eventos de largas escala.
77 Questões Como tratar a nomenclatura? Zelnik-manor2001 Eventos: Objetos temporais de longa duração. Cuntoor2008 Ação = Atividade Evento: Unidades básicas. schuldt2004, blank2005, niebles2007, 2008, laptev2007, 2008, rodrigues2008, ramasso2008 ações humanas. 77
78 Questões Modelo dos objetos em movimento Representações genéricas Características densas Características esparsas Modelos 3D Modelos 2D Trajetórias Bag-of-Words Aparência Silhuetas (blobs, partes, pontos de interesse) Outras (filtros, volumes de voxels, etc...) Seqüência de 78 poses (modelagem) Volumes espaçotemporais Moldes espaçotemporais
79 Questões Modelo dos objetos em movimento Representações genéricas Características densas Características esparsas Modelos 3D Modelos 2D Trajetórias Bag-of-Words Aparência Silhuetas (blobs, partes, pontos de interesse) Outras (filtros, volumes de voxels, etc...) Seqüência de 79 poses (modelagem) Volumes espaçotemporais Moldes espaçotemporais
80 Questões Modelo dos objetos em movimento Representações genéricas Características densas Características esparsas Modelos 3D Aparência Modelos 2D Silhuetas Trajetórias (blobs, partes, pontos de interesse) REPRESENTAÇÃO FINAL?????? Outras (filtros, volumes de voxels, etc...) Bag-of-Words Seqüência de 80 poses (modelagem) Volumes espaçotemporais Moldes espaçotemporais
81 Referências Adicionais Abdelkader Activity Representation Using 3D ShapeModels. Aggarwall1999 Human Motion Analysis: A review. Agarwal2004 Learning to Detect Objects in Images via a Sparse, Part-Based Representation Bobick1997 Movement, Activity and Action: the role of knowledge in the perception of motion. Chang2007 Recent Advances and Challenges of Semantic Image/Video Search. 81
82 Referências Adicionais Cuntoor2008 Recognizing Shapes in Video Sequences using Multi-class Boosting. Efros2003 Recognizing Action at a Distance. Laptev2007 Retrieving Actions in Movies Moeslung A survey of advances in vision-based human motion capture and analysis. 82
83 Referências Adicionais Ramasso Human action recognition in videos based on the Transferable Belief Model. Rodriguez Action MACH: A Spatiotemporal Maximum Average Correlation Height Filter for Action Recognition. Yilmaz Matching actions in presence of camera motion. Zelnik-manor2001 Event-based Analysis of Video. 83
Descritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisReconhecimento de ações humanas utilizando histogramas de gradiente e vetores de tensores localmente agregados
Reconhecimento de ações humanas utilizando histogramas de gradiente e vetores de tensores localmente agregados Luiz Maurílio da Silva Maciel 1, Marcelo Bernardes Vieira 1 1 Departamento de Ciência da Computação
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisMOSIFT PARA O RECONHECIMENTO DE AÇÕES HUMANAS. Marlon Ramos Avalos
MOSIFT PARA O RECONHECIMENTO DE AÇÕES HUMANAS. Marlon Ramos Avalos Instituto de Ciências Exatas e Biológicas Departamento de Computação Universidade Federal de Ouro Preto (UFOP) Ouro Preto, MG Brasil leyenda887@gmail.com
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisIntrodução a Visão Computacional. Prof. Dr. Geraldo Braz Junior DEINF - UFMA
Introdução a Visão Computacional Prof. Dr. Geraldo Braz Junior DEINF - UFMA O que é Visão Computacional? Você já viu? 2 O que se espera? Visão é sobre entender imagens Coloridas ou em tons de cinza Pequenas
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisIdentificação de Trajetórias Espaço-Temporais de Objetos em Movimento
Identificação de Trajetórias Espaço-Temporais de Objetos em Movimento Autor: Núbia Rosa da Silva 1, Orientadora: Celia A. Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisProcessamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisTextura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
Leia maisUNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Leia maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia maisDescritor global baseado em banco de filtros para reconhecimento de ações humanas
Descritor global baseado em banco de filtros para reconhecimento de ações humanas Dhiego O. Sad 1, Marcelo Bernardes Vieira 1 Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Programa
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisSistema de Reconhecimento de Logotipos
Sistema de Reconhecimento de Logotipos Fellipe Duarte, Saulo T. Oliveira {duartefellipe,sto}@cos.ufrj.br Relatório Técnico, Introdução ao Processamento de Imagens Programa de Engenharia de Sistemas e Computação
Leia maisImage Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
Leia maisPerson Re-Identification. Autor: Guilherme Zasyeki Machado
Person Re-Identification Autor: Guilherme Zasyeki Machado Sumário - Introdução ao problema - Visão geral ao processo de Re-Identificação - Evolução estado da arte - Datasets disponíveis - Análise estado
Leia maisProcessamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
Leia maisImage Descriptors: texture
Image Descriptors: texture Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: texture 2011 1 / 28 Agenda
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem de Máquina Segundo semestre de 2018 Francisco Carvalho e Cleber Zanchettin Universidade Federal de Pernambuco - UFPE Centro de Informtica - CIn Objetivos da disciplina
Leia maisImplementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes
Implementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes Luciana Kayo e Paulo Mei Prof. Dr. Marco Dimas Gubitoso Introdução Inspiração na competição When Bag of Words
Leia maisFirst-person activity recognition. Matheus A. Nerone
First-person activity recognition Matheus A. Nerone Sumário 1. 2. 3. Introdução a. Contexto b. Problema c. Exemplos de uso d. Dificuldades Trabalhos Relacionados a. Artigo inicial b. Histórico Artigos
Leia maisDetecção de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC
Detecção de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC André Caceres Carrilho Mauricio Galo Renato César dos Santos Curitiba,
Leia maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisSegmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo
Segmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo Dissertação de Mestrado Aluno: Bruno Costa Orientador: Herman Gomes
Leia maisMecanismos de Detecção de Objetos Selective Search
Mecanismos de Detecção de Objetos Selective Search Visão Computacional Prof. Geraldo Braz Junior Contém material das notas de aula do CS131, CS229 CS231B Objetivo Como detectar instancias de objeto? 2
Leia maisAnotador automático de placas de publicidade em vídeos esportivos
MAC0499 - Trabalho de Formatura Supervisionado Professor: Carlos Eduardo Ferreira Universidade de São Paulo Instituto de Matemática e Estatística Aluno: Ricardo Augusto Fernandes Orientador: Prof. Dr.
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisVirgínia Fernandes Mota. Tensor baseado em fluxo óptico para descrição global de movimento em
Virgínia Fernandes Mota Tensor baseado em fluxo óptico para descrição global de movimento em vídeos Dissertação apresentada ao Programa de Pós-graduação em Modelagem Computacional, da Universidade Federal
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisRegion Based CNNs. Francisco Calaça Xavier. Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado. Instituto de Informática UFG
Region Based CNNs Francisco Calaça Xavier Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado Instituto de Informática UFG Prof. Anderson Soares Agenda O problema Estado da arte R-CNN
Leia maisReconhecimento de Tipos de Movimento Humano baseados no método GMM.
Reconhecimento de Tipos de Movimento Humano baseados no método GMM. C.Gonçalves 1 ; L.A.Pereira; J.C.Pizolato, Jr.; A.Gonzaga. Escola de Engenharia de São Carlos-EESC-USP Av. Trab. São-Carlense, 400 CP
Leia maisReconhecimento de Gestos
Reconhecimento de Gestos Henrique Augusto Richter Tópicos em Visão Computacional Universidade Federal do Paraná Sumário Introdução Utilização Problemas Trabalhos Artigo 1 Artigo 2 Project Soli Introdução
Leia maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
Leia maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisIntrodução ao Reconhecimento. Prof. Dr. Geraldo Braz Junior
Introdução ao Reconhecimento Prof. Dr. Geraldo Braz Junior O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos Vários 4 Pergunta:
Leia maisNEUROCOMPUTAÇÃO E SIG NO SUPORTE AO PLANEJAMENTO URBANO. Marcos Aurélio Santos da Silva 1
NEUROCOMPUTAÇÃO E SIG NO SUPORTE AO PLANEJAMENTO URBANO Marcos Aurélio Santos da Silva 1 Palavras-chave: Redes Neurais Artificiais, Análise Espacial de Área, Visualização de dados, Análise de Agrupamentos
Leia maisImage Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia maisRedes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisMapas Auto Organizáveis SOMs Mapas de Kohonen
Mapas Auto Organizáveis SOMs Mapas de Kohonen PSI 2886 Princípios de Neurocomputação Edição de 2008 1 PSI 5886 Prof. Emilio Self Organizing Maps de Kohonen Estes slides foram usados nas aulas #8 e #9 na
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Leia maisAction Recognition Applied to Monitor Domestic Animals
Action Recognition Applied to Monitor Domestic Animals Ruth Keglevich de Buzin Departamento de Ciência da Computação Universidade Federal de Minas Gerais (UFMG) Belo Horizonte - Brasil ruth@ufmg.br William
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Segmentação. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Segmentação Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos básicos de segmentação
Leia maisDetecção de Anomalias Em Vídeos Utilizando Dicionários Espaço-Temporais
Detecção de Anomalias Em Vídeos Utilizando Dicionários Espaço-Temporais Mateus T. Nakahata, Eduardo A. B. da Silva e Sergio L. Netto Resumo Este trabalho apresenta uma implementação do método Spatio-Temporal
Leia maisT5 Processamento de Imagem e Vídeo
T5 Processamento de Imagem e Vídeo Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Segmentação baseada em regiões 2. Morfologia matemática 3. K-Means 4. Processamento
Leia maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia maisAgregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
Leia maisProcessamento e Análise de Imagem. Aplicações na Imagem Médica
Processamento e Análise de Imagem Aplicações na Imagem Médica António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Tecnologia de Imagem Imagem de Entrada Processamento
Leia maisRECONHECIMENTO DE AÇÕES EM VÍDEO UTILIZANDO DESCRITORES DE PONTOS DE INTERESSE ESPAÇO-TEMPORAIS (STIPS)
RECONHECIMENTO DE AÇÕES EM VÍDEO UTILIZANDO DESCRITORES DE PONTOS DE INTERESSE ESPAÇO-TEMPORAIS (STIPS) ANA PAULA GONÇALVES SOARES DE ALMEIDA DISSERTAÇÃO DE MESTRADO EM SISTEMAS MECATRÔNICOS DEPARTAMENTO
Leia maisProcessamento de Imagens
Processamento de Imagens Prof. Julio Arakaki Ciência da Computação 1 Imagem Digital Full Color Image (Matriz de Pixels) RGB (24 bits): Red (8 bits) Green (8 bits) Blue (8 bits) 2 Imagem Digital Um modelo
Leia maisRastreamento de objeto e estimativa de movimento
Hiroito Watanabe Rastreamento de objeto e estimativa de movimento Brasil 2015 Hiroito Watanabe Rastreamento de objeto e estimativa de movimento Relatório do trabalho 2 da disciplina de Processamento Digital
Leia maisMétodos de Segmentação de Imagem para Análise da Marcha
Métodos de Segmentação de Imagem para Análise da Marcha Maria João M. Vasconcelos, João Manuel R. S. Tavares maria.vasconcelos@fe.up.pt, tavares@fe.up.pt 3º Congresso Nacional de Biomecânica 11-12 Fevereiro
Leia maisMCZA Processamento de Linguagem Natural Classificação de textos
MCZA017-13 Processamento de Linguagem Natural Classificação de textos Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 1Q-2018 1 Bibliografia Daniel Jurafsky & James H. Martin. Speech and language processing:
Leia maisReconhecimento de ações humanas em vídeos por meio de transferência de aprendizado
https://eventos.utfpr.edu.br//sicite/sicite2017/index Reconhecimento de ações humanas em vídeos por meio de transferência de aprendizado Lucas Messias Valério lucasvalerio@alunos.utfpr.edu.br Universidade
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia maisVC 09/10 T3 Propostas de Trabalhos
VC 09/10 T3 Propostas de Trabalhos Mestrado em Ciência de Computadores Mestrado Integrado em Engenharia de Redes e Sistemas Informáticos Miguel Tavares Coimbra Temas Temas sugeridos IBMC: Análise automática
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Leia maisExtração de características: textura
Extração de características: textura Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti (ICMCUSP) Extração de características: textura
Leia maisCaracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
Leia maisRepresentação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
Leia maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia maisHistograma de Palavras Visuais para Caracterização de Texturas e Cenas Dinâmicas. Wesley Eiji Sanches Kanashiro Orientador: Wesley Nunes Gonçalves
Histograma de Palavras Visuais para Caracterização de Texturas e Cenas Dinâmicas Wesley Eiji Sanches Kanashiro Orientador: Wesley Nunes Gonçalves FACOM - Universidade Federal de Mato Grosso do Sul Agosto/2016
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia maisIntrodução Trabalhos Relacionados Metodologia Resultados Considerações Finais. Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira
Análise de Extratores de Características para a Classificação de Tecidos Pulmonares e Não-Pulmonares em Imagens de Tomografia Computadorizada de Alta Resolução Aluna: Aline Dartora Orientador: Prof. Dr.
Leia maisProcessamento de Imagens: fundamentos. Julio C. S. Jacques Junior
Processamento de Imagens: fundamentos Julio C. S. Jacques Junior juliojj@gmail.com Fronteiras do Processamento de Imagens Processamento de dados Dados / Informação Visão Computacional Computação Gráfica
Leia maisUma não tão breve introdução ao básico de PI. Visão Computacional Programa de Pós-Graduação em Ciência da Computação UFMA Prof. Geraldo BrazJunior
Uma não tão breve introdução ao básico de PI Visão Computacional Programa de Pós-Graduação em Ciência da Computação UFMA Prof. Geraldo BrazJunior O que fazer com essa aula? Utilize essa aula para conhecer
Leia maisSimulação Gráfica. Segmentação de Imagens Digitais. Julio C. S. Jacques Junior
Simulação Gráfica Segmentação de Imagens Digitais Julio C. S. Jacques Junior Segmentação Subdivide uma imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisIntegração de Mineração de Dados com SGBD Detecção de Agrupamentos
Integração de Mineração de Dados com SGBD Detecção de Agrupamentos Centro de Matemática Computação e Cognição-UFABC Jéssica Andressa de Souza Pós-Graduação em Ciência da Computação Sistemas de Banco de
Leia maisDetecção de Réplicas de Sítios Web Usando Aprendizado Semi-supervisionado baseado em Maximização de Expectativas. Cristiano Rodrigues de Carvalho
Detecção de Réplicas de Sítios Web Usando Aprendizado Semi-supervisionado baseado em Maximização de Expectativas Cristiano Rodrigues de Carvalho Orientador: Nivio Ziviani Co-orientador: Adriano Veloso
Leia maisUm Tutorial em processamento de sinais para EEG
Um Tutorial em processamento de sinais para EEG Técnicas para reconhecimento de estados mentais em Interfaces Cérebro-Computador Grupo de Pesquisa em Computação Musical - IME/USP March 14, 2016 Interfaces
Leia maisDesenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea
Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea Pedro Henrique Campos Cunha Gondim Orientador: André Ricardo Backes Coorientador: Bruno Augusto Nassif Travençolo
Leia maisDESCRITORES DE IMAGENS BASEADOS EM ASSINATURA TEXTUAL. Joyce Miranda dos Santos
UNIVERSIDADE FEDERAL DO AMAZONAS INSTITUTO DE COMPUTAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA DESCRITORES DE IMAGENS BASEADOS EM ASSINATURA TEXTUAL Joyce Miranda dos Santos Novembro de 2016 Manaus
Leia maisPROCESSAMENTO DE TEXTO
PROCESSAMENTO DE TEXTO (TEXT MINING) Jorge Teixeira IART 2014/2015 SAPO LABS ( http://labs.sapo.pt ) AGENDA (Enquadramento na UC de Inteligência Artificial - IART) Parte 1: Introdução à Linguagem Natural
Leia maisProcessamento de Imagens. Segmentação por regiões
Processamento de Imagens Segmentação por regiões Inúmeros Métodos Clusterização Baseados em histograma Detecção de bordas Crescimento de regiões Level Set Particionamento de grafos Watershed Baseados em
Leia maisRickson Guidolini Orientador: Nivio Ziviani Co-orientador: Adriano Veloso
Detecção de Réplicas de Sítios Web em Máquinas de Busca Usando Aprendizado de Máquina Rickson Guidolini Orientador: Nivio Ziviani Co-orientador: Adriano Veloso Universidade Federal de Minas Gerais LATIN
Leia maisMineração de Dados. Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri
Mineração de Dados Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri 1 Motivação Aumento da capacidade de processamento e de armazenamento de dados; Baixo custo; Grande quantidade de dados
Leia mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia maisO Problema da Colisão. Profa. Dra. Soraia Raupp Musse
O Problema da Colisão Profa. Dra. Soraia Raupp Musse Porque tratar a colisão? Necessidade de repetir fenômenos físicos prevendo penetrações geométricas Objetivo Encontrar as interferências geométricas
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisFeature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior
Feature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior Feature Detection 1. Encontre um conjunto de keypoints 2. Defina uma região ao redor do keypoint 3. Normalize a região 4. Extraia caracterísfcas
Leia maisPOLVO-IIDS: Um Sistema de Detecção de Intrusão Inteligente Baseado em Anomalias p. 1/16
POLVO-IIDS: Um Sistema de Detecção de Intrusão Inteligente Baseado em Anomalias p. 1/16 POLVO-IIDS: Um Sistema de Detecção de Intrusão Inteligente Baseado em Anomalias Paulo Manoel Mafra 1, Joni da Silva
Leia maisPMR2560 Visão Computacional Detecção de cores e blobs. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Detecção de cores e blobs Prof. Eduardo L. L. Cabral Objetivos Detecção de cores; Detecção de blobs. Detecção de cores Cores são facilmente identificadas nas imagens. Cor a
Leia maisAluno: Tiago Andrade Togores Orientador: Professor Flávio Soares Côrrea da Silva
Aluno: Tiago Andrade Togores Orientador: Professor Flávio Soares Côrrea da Silva Interação humano-computador Interação humano-computador Interfaces naturais Interação humano-computador Interfaces naturais
Leia mais