情報処理学会 第77回全国大会講演要旨

一般物体認識は、写真を「車」「花」などのクラスに分類する技術であるが、さらに細かく分類（例：車クラスの写真群から車種別のサブクラスに分類）を行う技術が詳細画像識別である。先行研究では、有効な視覚特徴を抽出するために、頭や足などの部位モデルを生成し、各部位の領域内の特徴を統合することで識別を行っている。しかし、人間が識別を行う際、部位よりも局所的かつ視覚的に意味を持った部分について注目するはずである。本稿では、この考えのもと、物体の意味情報を考慮した領域に分割する新しい手法を提案する。従来のBoF枠組みを利用する中で、Keypointに視覚情報を付与し、Clusteringを行う。これにより識別に有効なVisual Wordsを生成することができる。