著者

柴田 一帆 林 貴宏 尾内 理紀夫 竹中 孝真 森 正弥

出版者

一般社団法人電子情報通信学会

雑誌

電子情報通信学会技術研究報告. MVE, マルチメディア・仮想環境基礎 (ISSN:09135685)

巻号頁・発行日

vol.107, no.242, pp.109-114, 2007-09-27

被引用文献数

1

---

これまで,動画中の物体追跡研究は追跡精度の向上を目的としていた.しかし,追跡ミスを完全に無くすことは難しく,追跡ミスが発生した場合に物体領域の再指定などユーザによる修正作業が必要になると考えられる.本論文では,追跡ミスが発生することを前提として,ユーザによる修正作業の容易な物体追跡手法を提案する.提案手法では,グラフカットに基づく物体領域抽出手法を動画中の物体追跡へと応用する.グラフカットに基づく物体領域抽出は,物体領域内と背景領域内にユーザが描いた2種類の線から物体領域を抽出するという特徴を持つ.提案する物体追跡手法では,まずこの特徴を利用し,動画中の最初のフレーム画像においてユーザが描いた2種類の線から物体領域を抽出する.そして2番目以降の各フレーム画像では,ユーザが与えた線を追跡することで,物体領域を自動抽出する.線の追跡に基づく物体追跡を行うため,追跡ミスが発生した場合でも,新たな線の追加や既存の線の削除を行うだけで,容易に追跡ミスが修正可能となる.実験により提案手法と従来の物体追跡法との追跡性能を比較し,提案手法の有効性を議論した.

著者

清野 達也 林 貴宏 尾内 理紀夫 三條 正裕 森 正弥

雑誌

情報処理学会論文誌 (ISSN:18827764)

巻号頁・発行日

vol.50, no.12, pp.3233-3249, 2009-12-15

---

領域拡張法(Seeded Region Growing)を改良した高速な画像切り抜き手法を開発し,評価した.本手法はSeeded Region Growingを出発点としており,ユーザの引いた手書き線によって指示される初期前景と初期背景を隣接ピクセルへと伝播させていくことで,画像全体を前景領域,背景領域に分割する.飛び地を含む画像に対する切り抜き精度向上のために,Seeded Region Growingを改良し,閾値を用いた伝播条件を導入している.さらにテクスチャパターンを含む画像に対する切り抜き精度向上のために,Seeded Region Growingを改良し,ユーザの引いた線から前景で利用される色と背景で利用される色を推定し,推定色を用いて各隣接ピクセルに対する伝播の優先度を決定することとした.また,新たなデータ構造を本手法に導入し,高速な処理を行うことを可能にした.本手法を実装したシステムを開発し,評価実験を行い,既存手法と比較し,本手法が処理速度を低下させることなく,手書き線のような初期前景領域,初期背景領域の面積が小さい入力での切り抜き精度の優位性を持つことを確認した.In this paper, we propose and evaluate a method for Fast Image Cutout using improved Seeded Region Growing. The starting point for the method is Seeded Region Growing, which divides an image into foregrounds and backgrounds by growing the initial foregrounds and backgrounds represented by user drawing lines to the neighbor pixels. To improve the precision of Seeded Region Growing for images including enclaves, the method adopts a threshold condition. In addition, to improve the precision of Seeded Region Growing for images including texture patterns, the method estimates foreground colors and background colors from initial foregrounds and backgrounds and decides growing-priorities for each neighbor pixel depending on the esimimated colors. We propose a new data structure for the method, and could achieve speed up. The experimental results have shown the method has the same processing speed as traditional methods and has better precision than traditional methods, when we input small area of initial foregrounds and backgrounds such as user drawing lines.

著者

グェンファムタンタオ 岡部 誠 尾内 理紀夫 林 貴宏 西岡 悠平 竹中 孝真 森 正弥

雑誌

情報処理学会論文誌 (ISSN:18827764)

巻号頁・発行日

vol.52, no.1, pp.269-283, 2011-01-15

---

本稿では,web上の大量のレビュー情報を要約する際の基盤技術として,単語を意味的カテゴリに分類するための手法,Bautextを提案し評価する.Bautextは弱教師付き手法であり,係り受け関係と相互情報量に基づいた名詞・名詞句のカテゴリ分類を行う.Bautextの特徴は以下の4つである.1)既存のブートストラッピング法等は,性能が多数のパラメータに依存するため,ユーザは良い分類精度を得るためのパラメータ設定を試行錯誤して見つける必要があった(小町ら,2010).一方,Bautextにおいてはユーザは多数のパラメータ設定をする必要がなく,少数の種語を与え,各カテゴリと単語の関連度(配属スコア)を計算することにより,漸次種語を増加させ,分類を自動化させている.2)既存のブートストラッピング法では,反復ごとに多数のカテゴリが1つの単語を獲得しようとするときに再度評価のステップがあった.一方,Bautextにおいては,各カテゴリが独立な特徴語集合を持ち,それをもとに各カテゴリへの単語の配属スコアを計算し,最大スコアのカテゴリが単語を獲得することでこの再度評価のステップをなくした.そのため,ブートストラッピング法と比べて高速な分類アルゴリズムとなっている.3)既存のブートストラッピング法では意味ドリフトという課題がある.意味ドリフトの原因は,反復処理の過程において,新しい単語を獲得するために使われる抽出パターン数が定数個であるため,以前の各反復で抽出できた適切な抽出パターンの影響が消されることにあると考えられる.これに対して,Bautextでは,各カテゴリが,独立な特徴語集合に今まで抽出できた適切な特徴語(抽出パータンと同じ役割)を保存することと反復ごとに分類対象の単語をランダムに選択させることにより,意味ドリフトを制御する効果が期待できる.4)目的の分類カテゴリに加えて「その他」カテゴリを導入することで,本来評価対象となりえない単語が「その他」カテゴリに移動し,目的の分類カテゴリの適合率が向上するという特徴がある.評価実験では,まず「その他」カテゴリの導入効果を確認した.また,代表的なブートストラッピング法であるBasiliskおよびEspressoの2手法とBautextとを比較し,両者に比べ,Bautextが分類精度,速度,使いやすさの3点において有効な手法であることを確認した.We present and evaluate Bautext, a method for classifying terms into semantic categories, as a fundamental technique used for review summarization of drastically increasing volume of user reviews on the internet. Bautext is a minimally supervised technique for classifying nouns and noun phrases based on dependency relations and mutual information. Bautext has four important features. 1) There is no parameter that the user must manipulate except for seed words. Using an existing bootstrapping method, the user has to find a reasonable setting of multiple parameters by trial and error, on which the classification accuracy heavily depends (Komachi, et al., 2010). On the other hand, Bautext has no such a parameter, and after specifying seed words, no user intervention is required. 2) Bautext is a fast method compared with state-of-the-art bootstrapping methods. 3) Bautext is supposed to constrain sematic drift with independent feature sets for each category and the randomly choosing a term for classification in each classifation step. 4) We introduce "other" category to improve the precision. Adding an extra "other" category to the target categories, it is possible to improve the precision significantly on the trade-off between precision and recall. In our experiment, we compare Bautext with two major bootstrapping methods, Basilisk and Espresso, which show that Bautext is superior in classification accuracy, computational expense, and usability.