Использование FlaNN (Fast Library for Approximate Nearest Neighbors) для приблизительного поиска похожих изображений в базе данных

[Dead Veritas 0]

Здравствуйте.

Есть картинка например.

Есть эталони изображения

.

Нужно проверить какие из эталонов являютса на этом изображении.

Сможет ли FLANN справится с этой задачей?

[Smorodov 579]

Нужна-ли здесь нейронная сеть, не знаю. Может вполне хватит cvMatchTemplate?

Если использовать нейросеть (или другой классификатор), то нужно подготовить входные данные, это более важно, чем сам выбор классификатора. Можно взять в качестве обучающей пары, например, дескрипторы (Surf или Sift) и номер образца. По этим данным обучить классификатор, нейросеть, SVN, деревья, или каскады.

ЗЫ: FLANN хорошая библиотека. Многое зависит от архитектуры сети которую Вы составите и настроек этой сети.

[Dead Veritas 0]

Нужна-ли здесь нейронная сеть, не знаю. Может вполне хватит cvMatchTemplate?

Если использовать нейросеть (или другой классификатор), то нужно подготовить входные данные, это более важно, чем сам выбор классификатора. Можно взять в качестве обучающей пары, например, дескрипторы (Surf или Sift) и номер образца. По этим данным обучить классификатор, нейросеть, SVN, деревья, или каскады.

ЗЫ: FLANN хорошая библиотека. Многое зависит от архитектуры сети которую Вы составите и настроек этой сети.

Над SURF уже работают, это нужно как альтернатива, поэтому SURF не является альтернативой. И если я правильно понимаю то cvMatchTemplate здесь не подходит, поскольку шаблоны могут быть другого размера чем на входном фото и под разным углом, освещением.

вопрос справится ли FLANN с задачей быстрого поиска в базе подобных объектов как на входном фото?

Может ли FLANN найти координати шаблона на фото?

[mrgloom 242]

я думал, что FLANN только сможет определить к какому классу относится объект, хотя тут вроде бы используют его для матчинга точек

http://opencv.itseez.com/trunk/doc/tutorials/features2d/feature_flann_matcher/feature_flann_matcher.html#feature-flann-matcher

хотя тут по другому делают

http://stackoverflow.com/questions/5695034/how-to-use-flann-based-matcher-or-generally-flann-in-opencv

помоему там на всех точках(много объектов) каким то образом строится рэндомное дерево, а сравнивается все равно объект-объект.

т.е. по сути это просто ускоряет работу матчинга, но не дает 100% результат.(но наверняка дает хороший близкий к этому).

хотя могу ошибаться.

[Smorodov 579]

Перепутал с FANN.

А FLANN действительно используется чтобы не применять полный перебор, при выявлении взаимного соответствия точек.

[mrgloom 242]

так как он все таки работает применительно к точкам?

судя по этой статье это просто метод кластеризации, т.е. один объект относится к какому то классу. а с точками мы имеет большой набор не разделенных на классы точек и нам надо матчить их с маленьким набором точек(объектом).

[mrgloom 242]

хотя тут походу путаница

Fast Approximate Nearest Neighbor Search

и

K-Nearest Neighborhood

или это одно и то же.

[Smorodov 579]

Тут вроде понятно: http://acrg.ru/knn.html

[mrgloom 242]

http://people.cs.ubc.ca/~mariusm/uploads/FLANN/flann_visapp09.pdf

The feature points are detected with SURF detectors and represented in SURF-128 descriptors. The program by default set up 4 Randomized KDTrees and search for 2-nearest-neighbors. The matched key-point is only counted when the second of the nearest-neighbors is doubly farther than the first.

The 'naive' NN search simply do the search linearly of each object key-point (~593) from the image key-points (782). It does however, keep track of the nearest 2 neighbors and made sure the nearest is indeed dominant before being accepted. The 'naive' distance is simply a sum of squared- differences between the SURF descriptor tuples.

ну примерно понял о чем идет речь.

Fast Approximate Nearest Neighbor Search

и

K-Nearest Neighborhood

все таки разные вещи.