複数パスを考慮した Regression Forests によるカメラのヨー角の推定 若山 涼至，藤吉 弘亘 ( 中部大学 ) 本研究の目的 Regression Forests によるノイズの影響を受けない回帰推定 単眼モーションステレオにおける問題を回帰で解く 複数パスを考慮した Regression Forests Regression Forests Random Forests を回帰分析へ適用したもの 複数の回帰木を用いることで複雑な非線形回帰を表現可能 ノイズを参照すると分岐が反転し推定精度が低下 提案手法によるカメラのヨー角の推定 Y ˆ 1 2 3 4 7 6 5 3 5 6 ノイズ 8 9 10 11 12 2.2 4.3 1 t= 11 8 1 4.8 2 4 11 8.1 6.7 9 10 3 11.2 5.7 2 t= 3 t= 4 t= 1 Y ˆ 2 Y ˆ 3 Y ˆ 4 Y ˆ =( 2.2 + 4.8 + 8.1 + 11.2 ) / 4 = 6.575 Y ˆ =( 4.3 + 4.8 + 6.7 + 5.7 ) / 4 = 5.375 k y ˆ 2.2 4.8 8.1 11.2 実際のトラバーサル ノイズの影響を受けないトラバーサル 実際の推定結果： 本来の推定結果： ノイズによる誤差：1.2 末端ノード の出力 Y ˆ 1 2 3 4 7 6 5 3 5 6 ノイズ 8 9 10 11 12 2.2 4.3 1 t= 11 8 1 4.8 2 4 11 8.1 6.7 9 10 3 11.2 5.7 2 t= 3 t= 4 t= 1 Y ˆ 2 Y ˆ 3 Y ˆ 4 Y ˆ =( 3.25 + 4.8 + 7.4 + 7.4 ) / 4 = 5.712 Y ˆ =( 4.3 + 4.8 + 6.7 + 5.7 ) / 4 = 5.375 7.0 k y ˆ k n 2 1 2 1 1 1 2 1 2 1 4 1 + + + 3.25 4.8 7.4 7.4 実際のトラバーサル ノイズの影響を受けないトラバーサル 実際の推定結果： 本来の推定結果： ノイズによる誤差：0.34 末端ノード の出力 ノイズ参照回数 による重み 評価実験 ・OpenGL で生成したデータセット - 学習：125 フレーム，評価：250 フレーム ・誤差の割合による推定精度を比較 ・回帰木のパラメータ：本数 20，深さ 10，特徴選択回数 10 1m 30m 距離 (a) 従来の Regression Forests (b) 提案手法 今後の展開 他の問題設定において汎用性の評価 Regression Forests のトラバーサル時において ノイズの特徴次元を参照した場合は両方の子ノードへ分岐 ] 1 , [ ˆ 2 1 ˆ 1 k k K k n t f y Y k δ ⋅ ⋅ = ∑ = :各木の推定結果 :末端ノードの数 :末端ノードまでに参照した ノイズの特徴次元数 :末端ノードの出力 :末端ノードにたどり着いた場合 1をもつ ノイズを複数参照した場合は出力の信頼性を低くし 重みを小さくすることでノイズの影響を低減 末端ノードまでに参照したノイズの特徴次元数により 末端ノードの出力に重み付けをする 複数パスの導入 推定したヨー角からの距離推定画像 [deg] 従来法 0 . 031 0 . 0007 0 . 078 0 . 027 0 . 0004 0 . 068 ヨー角の推定精度 提案手法 平均誤差 誤差の分散 相対誤差 1. 異なるフレーム間の画像からオプティカルフローを算出 2. 得られるオプティカルフローを Regression Forests へ入力 3.Regression Forests によりヨー角を回帰推定 4. 推定したヨー角から距離画像を算出 ノイズの判定 カメラと地面の距離関係は常に一定 物体の無い状態の距離値をテンプレートとして 測定された距離値と異なる値を持つ領域をノイズとする 1 入力特徴ベクトル 2 3 1 2 3 ノイズの特徴次元 7.7 ノイズ有り 5.9 ノイズ無し ノイズで分岐 が反転 入力 出力 特徴ベクトル 入力 出力 特徴ベクトル 100 150 200 250 300 0 50 100 150 200 250 300 350 400 Y X train sample output tree1 tree2 tree3 tree4 tree5 ヨー角から距離推定 オプティカルフロー算出 推定した距離画像からノイズ判定 Regression Forestsへ入力 回帰によりヨー角を推定 連続する2フレームの画像を取得 0 0.02 0.04 0.06 0.08 0.1 0.12 0% 10% 20% 30% 40% 誤差 [deg] ノイズの割合 [%] 従来法 提案手法 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0 50 100 150 200 ヨー角の推定結果[deg] フレーム (a) 推定結果 (b) ノイズの割合毎の誤差の変化 真値 従来法 提案手法
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
複数パスを考慮した Regression Forestsによるカメラのヨー角の推定若山 涼至，藤吉 弘亘 ( 中部大学 )
本研究の目的Regression Forestsによるノイズの影響を受けない回帰推定
単眼モーションステレオにおける問題を回帰で解く
複数パスを考慮した Regression ForestsRegression Forests
Random Forestsを回帰分析へ適用したもの
複数の回帰木を用いることで複雑な非線形回帰を表現可能
ノイズを参照すると分岐が反転し推定精度が低下
提案手法によるカメラのヨー角の推定
Y
1 2 3 4 765
3
5
6
ノイズ
8 9 10 11 12
2.2 4.3
1t=
11
8
1
4.8
2
4
11
8.1 6.7
9
10
3
11.25.7
2t= 3t= 4t=
1Y 2Y 3Y 4Y=(2.2 + 4.8 + 8.1 + 11.2) / 4 = 6.575
Y =(4.3 + 4.8 + 6.7 + 5.7) / 4 = 5.375
ky
2.2 4.8 8.1 11.2
実際のトラバーサル
ノイズの影響を受けないトラバーサル
実際の推定結果：
本来の推定結果：
ノイズによる誤差：1.2
末端ノードの出力
Y
1 2 3 4 765
3
5
6
ノイズ
8 9 10 11 12
2.2 4.3
1t=
11
8
1
4.8
2
4
11
8.1 6.7
9
10
3
11.25.7
2t= 3t= 4t=
1Y 2Y 3Y 4Y=(3.25 + 4.8 + 7.4 + 7.4) / 4 = 5.712
Y =(4.3 + 4.8 + 6.7 + 5.7) / 4 = 5.375
7.0ky
kn2
12
11
12
12
14
1
+ + +
3.25 4.8 7.4 7.4
実際のトラバーサル
ノイズの影響を受けないトラバーサル
実際の推定結果：
本来の推定結果：
ノイズによる誤差：0.34
末端ノードの出力
ノイズ参照回数
による重み
評価実験・OpenGL で生成したデータセット
-学習：125 フレーム，評価：250 フレーム
・誤差の割合による推定精度を比較
・回帰木のパラメータ：本数 20，深さ 10，特徴選択回数 10
1m30m
距離
(a) 従来の Regression Forests (b) 提案手法
今後の展開他の問題設定において汎用性の評価
Regression Forestsのトラバーサル時において
ノイズの特徴次元を参照した場合は両方の子ノードへ分岐
]1,[ˆ21ˆ
1kk
K
knt fyY
kδ⋅⋅=∑
=
:各木の推定結果 :末端ノードの数:末端ノードまでに参照したノイズの特徴次元数
:末端ノードの出力
:末端ノードにたどり着いた場合1をもつ
ノイズを複数参照した場合は出力の信頼性を低くし
重みを小さくすることでノイズの影響を低減
末端ノードまでに参照したノイズの特徴次元数により末端ノードの出力に重み付けをする
複数パスの導入
推定したヨー角からの距離推定画像
[deg]
従来法 0.031 0.0007 0.078
0.027 0.0004 0.068
ヨー角の推定精度
提案手法
平均誤差 誤差の分散 相対誤差
1. 異なるフレーム間の画像からオプティカルフローを算出
2. 得られるオプティカルフローを Regression Forestsへ入力
3.Regression Forestsによりヨー角を回帰推定
4. 推定したヨー角から距離画像を算出
ノイズの判定カメラと地面の距離関係は常に一定
物体の無い状態の距離値をテンプレートとして
測定された距離値と異なる値を持つ領域をノイズとする
1
入力特徴ベクトル
2 31
2 3
ノイズの特徴次元
7.7ノイズ有り 5.9 ノイズ無し
ノイズで分岐が反転
入力
出力
特徴ベクトル
入力
出力
特徴ベクトル
100
150
200
250
300
0 50 100 150 200 250 300 350 400
Y
X
train sampleoutput
tree1tree2tree3tree4tree5
ヨー角から距離推定
オプティカルフロー算出
推定した距離画像からノイズ判定
Regression Forestsへ入力
回帰によりヨー角を推定
連続する2フレームの画像を取得
0
0.02
0.04
0.06
0.08
0.1
0.12
0% 10% 20% 30% 40%
誤差
[deg
]
ノイズの割合 [%]
従来法提案手法
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0 50 100 150 200
ヨー角の推定結果[deg]
フレーム(a) 推定結果 (b) ノイズの割合毎の誤差の変化
真値従来法提案手法
Related Documents
