|
Tamaño: 2018
Comentario:
|
Tamaño: 2347
Comentario:
|
| Los textos eliminados se marcan así. | Los textos añadidos se marcan así. |
| Línea 49: | Línea 49: |
| * SGD: hinge loss, ''20, 50 y 100'' iteraciones, ''lambda = 1e-2, 1e-3 y 1e-4'', training sobre ''training1'' y testeando sobre ''training2''. | * SGD: hinge loss, ''20, 50 y 100'' iteraciones, ''lambda = 1e-2, 1e-3 y 1e-4'', training sobre ''training1'' y testeando sobre ''training2''. La clasificación se realizo con argmax. |
| Línea 52: | Línea 52: |
||1||2|| ||3||4|| |
||||||||20 iteraciones|| ||lambda\ngauss||8||16||32|| ||1e-2|| 872 || 984 || 928 || ||1e-3|| 1382 || 1334 || 1414 || ||1e-4|| 1462 || 1422 || 1466 || ||||||||50 iteraciones|| ||lambda\ngauss||8||16||32|| ||1e-2|| 886 || 990 || 930 || ||1e-3|| 1376 || 1352 || 1426 || ||1e-4|| 1462 || 1400 || 1478 || |
Robot Vision 2012
Experimentos realizados para la 4º edición de la competencia 'Robot Vision Challenge - ImageCLEF'.
Cosas que vamos a tener que probar
- Aumentar los conjuntos de datos con la versión espejada de las imágenes
- Algún pre-procesamiento para estabilizar el "motion blur" y el "flickering"
- Debluring:
http://www.di.ens.fr/willow/research/deblurring/ (código en matlab)
- Flickering: se puede probar trabajar en aglún espacio de color que sea robusto frente a cambios afines en la iluminación
- Descriptores de colores
J. van de Weijer, C. Schmid, J. Verbeek, D. Larlus, Learning Color Names for Real-World Applications, IEEE TIP, 2009.
http://lear.inrialpes.fr/people/vandeweijer/color_names.html
K. van de Sande, T. Gevers and C. Snoek, Evaluating Color Descriptors for Object and Scene Recognition, IEEE TPAMI, 2010
Repositorio con los scripts para replicar los experimentos
hg clone https://proyectos.ciii.frc.utn.edu.ar/hg/robot_vision_2012
25 abril 2012
Experimento 1
Configuración
- Descriptores: SIFT sobre grilla regular (DSIFT de vlfeat), patchs 32x32, paso=8, L2-norm., D=128
- PCA: subespacio aprendido sobre training1+training2+training3, D=80
GMM: aprendido sobre training1+training2+training3, para N = 8, 16 y 32
- IFV: gradientes resp. medias y varianzas, alpha=0.5, pnorm=2.0
SGD: hinge loss, 20, 50 y 100 iteraciones, lambda = 1e-2, 1e-3 y 1e-4, training sobre training1 y testeando sobre training2. La clasificación se realizo con argmax.
Resultados
20 iteraciones |
|||
lambda\ngauss |
8 |
16 |
32 |
1e-2 |
872 |
984 |
928 |
1e-3 |
1382 |
1334 |
1414 |
1e-4 |
1462 |
1422 |
1466 |
50 iteraciones |
|||
lambda\ngauss |
8 |
16 |
32 |
1e-2 |
886 |
990 |
930 |
1e-3 |
1376 |
1352 |
1426 |
1e-4 |
1462 |
1400 |
1478 |
