Kernel kod-tablosu kodlaması ile sahne etiketleme

Abstract

Sahne bölütleme ve etiketlemede son yıllarda süperpiksel tabanlı yaklaşımların başarılı olduğu görülmektedir. Öncelikle görüntü bir süperpiksel algoritması ile görsel olarak tutarlı küçük parçalara bölütlenmekte; daha sonra her süperpiksel için çeşitli öznitelik betimleyicileri hesaplanıp sınıflandırma yapılmaktadır. Bu bildiride süperpiksel öznitelikleri için Kernel Kodtablosu Kodlama (KKT) yaklaşımı önerilmiştir. KKT’de öznitelik vektörleri için sabit nicemleme yerine birden fazla kodsözcüğüne yumuşak eşlemleme yapılmaktadır. Kodsözcüklerine atanan ağırlıklar bir kernel uzaklık fonksiyonu ile hesaplanmaktadır. KKT yöntemi SuperParsing görüntü ayrıştırma algoritmasında SIFT özniteliklerinin kodlanması için kullanılmıştır. Geliştirdiğimiz yöntem 2,688 görüntü ve 33 sınıf içeren SIFT Flow veri kümesi kullanılarak denenmiş ve SuperParsing yönteminden %2.7 daha yüksek ayrıştırma doğruluğu sağlanmıştır.

Superpixel based methods have recently shown success in scene segmentation and labeling. In scene labeling, a superpixel algorithm is used first to segment the image into visually consistent small regions; then several feature descriptors are computed and classification is performed for each superpixel. In this paper, Kernel Codebook Encoding (KCB) of superpixel features is proposed. In KCB feature vectors are mapped to multiple codewords in a soft manner, instead of the usual hard quantization. The weights assigned to the codewords are determined by a kernel distance function. KCB method is used for encoding of SIFT features in SuperParsing image parsing algorithm. The developed approach is tested on the SIFT Flow dataset consisting of 2,688 images and 33 classes, and achieves 2.7% increase in parsing accuracy over SuperParsing.