Sift و svm - Artificial Intelligence

s.b · ۰۶-۱۸-۱۳۹۲, ۱۱:۴۱ بعد از ظهر

با سلام.
1- من با استفاده از الگوریتم SIFT که در سایت Keypoint detector وجود دارد، نقاط کلیدی و ویژگی های تصویرم رو بدست آوردم.

حالا می خواستم این نقاط رو با svm دسته بندی کنم ولی دقیقا نمیدونم ویژگیهایی که تابع SIFT
برمیگرداند چه چیزهایی هستند که با استفاده از آنها این نقاط رو دسته بندی کنم.

اگر امکان داره یکی کمک کند.....

2- نحوه دسته بندی کردن این نقاط بدست آمده از خروجی SIFT با svm هم اگر توضیحاتی بدهید ممنون میشم.
با تشکر از کمک های شما...

**mahdiii** · ۰۶-۱۹-۱۳۹۲, ۰۲:۰۸ قبل از ظهر

یکم بیشتر توضیح بدین دقییق کارتون چیه
از یه تصویر ویژگی استخراج کردین!!؟
اگه مسالتون دسته بندی هست باید چند دسته تصویر داشته باشین
مثلا یه دسته تصاویر ادم
یه دسته ماشین
یه دسته جنگل
مثلا برای مساله بازیابی تصویر گفتم
بعد شما میاین نقاطو استخراج می کنین تو تصاویر و بعدش بردار ویژگی برای هرنقطه که تو روش SIFT 128 تا هست. یعنی میشه تو فضای 128 بعدی. بعد با داشتن این بردارهای 128 تایی برای هر نقطه برای هر تصویر و داشتن برچسبشون(آدم برچسب صفر ماشین 1 و ...) میتونین از svm استفاده کنین

s.b · ۰۶-۱۹-۱۳۹۲, ۰۹:۰۵ قبل از ظهر

با سلام.
من کارم دقیقا تشخیص عیوب سطوح چوب هست. ویژگی های تصویر رو با SIFT بدست آوردم و با SVM می خوام کار دسته بندی رو انجام بدم.
مثلا یک تصویر سطح چوب را که به تابع sift داده ام 443 نقطه کلیدی پیدا کرده است و دو متغیر با نام های descrips و loc نیز داده است.

متغیر descrips ماتریسی 128*443 خانه ای است که ویژگی های تصویر را دارد. من این ماتریس را متوجه نمی شوم.....
همچنین نمی دانم کدام یک از این خروجی های تابع sift رو باید به svm بدهم....

اگر دارم اشتباه می کنم لطفا راهنمایی کنید....ممنون

با تشکر.

**raha_hakhamanesh** · ۰۶-۱۹-۱۳۹۲, ۱۲:۲۳ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله s.b

با سلام.
من کارم دقیقا تشخیص عیوب سطوح چوب هست. ویژگی های تصویر رو با sift بدست آوردم و با svm می خوام کار دسته بندی رو انجام بدم.
مثلا یک تصویر سطح چوب را که به تابع sift داده ام 443 نقطه کلیدی پیدا کرده است و دو متغیر با نام های descrips و loc نیز داده است.

متغیر descrips ماتریسی 128*443 خانه ای است که ویژگی های تصویر را دارد. من این ماتریس را متوجه نمی شوم.....
همچنین نمی دانم کدام یک از این خروجی های تابع sift رو باید به svm بدهم....

اگر دارم اشتباه می کنم لطفا راهنمایی کنید....ممنون

با تشکر.

به نام خدا
در مورد sift بیشتر مطالعه کنید. چنانکه احتمالا می دانید sift به ازای هر نقطه کلیدی یک بردار ویژگی 128 عنصری بعنوان خروجی میدهد بنابراین برای معرفی هر عنصر مهم یا بعبارتی همان نقاط با اهمیت یک (مثلا) آرایه 128 عضوی داریم. حالا اگر شما 443 نقطه کلیدی رو استخراج کرده باشید (که توصیه می کنم با pca اون رو کاهش بدید و مثلا 100 نقطه خیلی مهم رو انتخاب کنید) قاعدتا باید یک آرایه دو بعدی 128*443 داشته باشید که باید تحویل svm بدید.

موفق باشید

s.b · ۰۶-۱۹-۱۳۹۲, ۱۲:۳۴ بعد از ظهر

با سلام.
راجع به svm من مثالهایی که دیدم مختصات نقاط، گروه هرکدام از این نقاط و اینکه نوع kernel برای svm مشخص میشد ولی این آرایه دو بعدی که از SIFT بدست آمده است مختصات نقاط رو نداره...

**raha_hakhamanesh** · ۰۶-۱۹-۱۳۹۲, ۰۱:۳۶ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله s.b

با سلام.
راجع به svm من مثالهایی که دیدم مختصات نقاط، گروه هرکدام از این نقاط و اینکه نوع kernel برای svm مشخص میشد ولی این آرایه دو بعدی که از SIFT بدست آمده است مختصات نقاط رو نداره...

به نام خدا
خب در حقیقت تفاوت های پردازش تصویر و بینایی کامپیوتر در چنین مواردی مشخص می شود.
شما نیاز ندارید به اینکه موقعیت نقاط را داشته باشید این روش مبتنی بر یادگیری است.

در واقع شما دارید نمونه هایی را به SVM می دهید که می گوید سطح مورد نظر دارای عیب است. وقتی می خواهید با SVM کار کنید باید نمونه ها را تفکیک کنید مثلا نمونه معیوب و نمونه سالم. خب پس دو ماتریس خواهید داشت ماتریس اول مربوط به نمونه های سالم و ماتریس دوم مربوط به نمونه های معیوب. که این ماتریس ها توسط یک توصیف کننده مثل SIFT تولید شده اند.

مثال:

كد:

A is a Matrix [1000, 128] of good surfaces
B is a Matrix[5000, 128] of bad surfaces
TestData = [A, B] 
TestLbl=[1 for A, -1 for B] 
training_instance_matrix = TestData;
training_label_vector    = TestLbl;
 model = svmtrain(training_label_vector, training_instance_matrix, ['-t 0']);
       %==================================
testing_instance_matrix = TestData;
testing_label_vector    = TestLbl;
[predicted_label, accuracy, decision_values] = svmpredict(testing_label_vector, testing_instance_matrix, model);

s.b · ۰۶-۲۶-۱۳۹۲, ۱۰:۵۲ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله raha_hakhamanesh

به نام خدا
خب در حقیقت تفاوت های پردازش تصویر و بینایی کامپیوتر در چنین مواردی مشخص می شود.
شما نیاز ندارید به اینکه موقعیت نقاط را داشته باشید این روش مبتنی بر یادگیری است.

در واقع شما دارید نمونه هایی را به SVM می دهید که می گوید سطح مورد نظر دارای عیب است. وقتی می خواهید با SVM کار کنید باید نمونه ها را تفکیک کنید مثلا نمونه معیوب و نمونه سالم. خب پس دو ماتریس خواهید داشت ماتریس اول مربوط به نمونه های سالم و ماتریس دوم مربوط به نمونه های معیوب. که این ماتریس ها توسط یک توصیف کننده مثل SIFT تولید شده اند.

مثال:

كد:

A is a Matrix [1000, 128] of good surfaces
B is a Matrix[5000, 128] of bad surfaces
TestData = [A, B] 
TestLbl=[1 for A, -1 for B] 
training_instance_matrix = TestData;
training_label_vector    = TestLbl;
 model = svmtrain(training_label_vector, training_instance_matrix, ['-t 0']);
       %==================================
testing_instance_matrix = TestData;
testing_label_vector    = TestLbl;
[predicted_label, accuracy, decision_values] = svmpredict(testing_label_vector, testing_instance_matrix, model);

با سلام مجدد.
ببخشید مگر تابع svmpredict روی تصاویر تست اعمال نمی شود... در تصاویر تست هم که ما می خواهیم تابع خودش تشخیص دهد تصویر معیوب است یا خیر پس LABEL را که ما نمی توانیم بدهیم... مگر خود این تابع نباید LABEL را برای ما مشخص کند؟؟؟؟؟

mehr_elmira · ۱۱-۱۱-۱۳۹۲, ۱۱:۱۴ بعد از ظهر

سلام
میشه لطفاً بگین تفاوت surf و sift چیه؟
خیلی نیاز فوری دارم ولی مطلب فارسی اصلاً پیدا نکردم.

s.b · ۰۶-۱۹-۱۳۹۲, ۰۱:۵۴ بعد از ظهر

با سلام.
ببخشید چندتا سوال برام پیش اومده.
1- یعنی تمام تصاویر سالم را به sift بدهم و خروجی هایی که بدست آمده است را به صورت یکجا در ماتریس A قرار بدهم. و همین کار را برای تمام تصاویر معیوب انجام دهم؟
2- در کدی که svmtrain را نوشته اید از training_label_vector و training_instance_matrix استفاده کرده اید، این متغیرها چه چیزی را نشان می دهند و محتوای آنها چیست؟؟
3- این کد به libsvm نیاز دارد. درسته؟
با تشکر.

**raha_hakhamanesh** · ۰۶-۲۰-۱۳۹۲, ۰۵:۱۲ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله s.b

با سلام.
ببخشید چندتا سوال برام پیش اومده.
1- یعنی تمام تصاویر سالم را به sift بدهم و خروجی هایی که بدست آمده است را به صورت یکجا در ماتریس a قرار بدهم. و همین کار را برای تمام تصاویر معیوب انجام دهم؟
2- در کدی که svmtrain را نوشته اید از training_label_vector و training_instance_matrix استفاده کرده اید، این متغیرها چه چیزی را نشان می دهند و محتوای آنها چیست؟؟
3- این کد به libsvm نیاز دارد. درسته؟
با تشکر.

1- بله
2- داده های آموزشی و برچسب داده های آموزشی
3- بله