class: center, middle # Scale Invariant Feature Transform
**Élie Michel** *École normale supérieure* 30 janvier 2015
--- class: center # Introduction
--- class: center # Introduction
--- class: center # Introduction
--- class: center # Transformation
--- # Transformation ### 1. Pourquoi une transformation ? ### 2. Quelles conditions doit-elle respecter ? ### 3. Comment exploiter cette transformation ? --- # Pourquoi une transformation ? * Rendre les données plus simples à manipuler * Séparer ce qui change de ce qui ne change pas --- # Quelles conditions doit-elle respecter ? ### Détection Retrouver les mêmes propriétés dans chaque image. ### Description Faire correspondre ces propriétés. ## → Recherche d'invariants --- # Invariances recherchées ### Échelle ### Orientation ### Position ### Illumination ### Perspective --- # Points d'intérêt ### Données locales Minimise les problèmes d'occlusion et de bruit. ### Stables ### Descriptibles --- # Historique 1. *Harris Corner Detector* **(Harris 88)** 2. Correspondance par fenêtre de corrélation **(Zhang 95)** 3. Remplacement de la fenêtre par un descripteur invariant par rotation **(Schmid&Mohr 97)** 4. Variante du HCD moins sensible à l'échelle **(Lowe 99)** 5. Problèmes de stabilité du descripteur au changement d'échelle. 6. Recherche d'invariance aux transformations affines. ### SIFT se base sur tous ces travaux. --- # Aperçu de l'algorithme ### Sélection d'un premier ensemble de candidats ### Filtrage des points instables ### Orientation des points ### Description des points --- # Premier ensemble de candidats *Basé sur les améliorations du HCD* ### Extrema du laplacien
--- # Premier ensemble de candidats ### Quel échantillonnage utiliser ? Expérimentation sur un jeu d'images artificiellement transformées **→ 3 niveaux par octave** ### Optimisations * Flou initial * Agrandissement de l'image --- # Filtrage des points instables * Améliorer la stabilité * Diminuer le nombre de points à manipuler ### Localisation précise des extremas *Approximation quadratique* ### Filtrage par contraste *Différence avec les points voisins* ### Élimination des arrêtes *Valeurs propres de la matrice hessienne* --- # Orientation des points Indispensable pour construire un descripteur invariant par rotation. ### Histogramme du gradient dans un voisinage du point
--- # Description des points
### → Descripteur en dimension 128 --- # Comment exploiter cette transformation ? ### Problème du plus proche voisin *k-d tree*, *Best-Bin-First*
--- # Comment exploiter cette transformation ? ### Clustering *Hough tranform*, *RANSAC*
--- # Comment exploiter cette transformation ? ### Reconstruction de la transformation
--- # Résultats
--- class: center, middle ### Merci !