미분류

[2016] Our primary object discovery and segmentation techniques will be presented in CVPR 2016.

  • 1) Yeong Jun Koh, Wond-Dong Jang, Chang-Su Kim, “POD: Discovering Primary Objects in Videos Based on Evolutionary Refinement of Object Recurrence, Background, and Primary Object Models,” in Proc. CVPR 2016.
  • 2) Won-Dong Jang, Chulwoo Lee, Chang-Su Kim, “Primary Object Segmentation in Videos via Alternate Convex Optimization of Foreground and Background Distributions,” in Proc. CVPR 2016.

YJ and WD, Congratulations!

MCL Research – Object Tracking

[2015] A tracking paper will be presented in ICCV 2015.

We are very glad to announce that Han-Ul’s first tracking paper will be presented in ICCV 2015, Chile.

H-U. Kim, D.-Y. Lee, J.-Y. Sim, and C.-S. Kim, “SOWP: Spatially Ordered and Weighted Patch Descriptor for Visual Tracking.”

This is our first ICCV paper, and also our first paper presented in South America.

 

Logo Detection

Image for Logo Detection

영상에 존재하는 로고를 인식하여 인식결과를 사용자에게 제공하는 알고리즘을 제안한다. 알고리즘은 로고탐지/로고분류/로고검증의 세 단계로 구성된다. 로고탐지 단계에서는 영상 내에서 로고라고 여겨지는 객체를 추출하여 로고후보로 설정한다. 각 로고후보는 로고분류 단계에서 어떤 템플릿 로고와 가장 가까운지 그라디언트의 히스토그램의 비교를 통해 결정된다. 마지막 로고검증 단계에서 로고후보의 로고분류가 정확히 이루어졌는지 특징점 매칭을 통해 확인하여 최종적인 로고인식 결과를 도출한다. 제안하는 알고리즘은 영상 내에 존재하는 로고의 수에 관계없이 인식이 가능하고, 로고 크기 및 회전에 영향을 받지 않는다.

실험결과

총 48가지의 로고를 템플릿 로고(인식가능한 로고)로 설정하여 실험을 수행하였다. 각 실험 영상은 블러, 복잡한 배경, 외형 왜곡, 시점 왜곡, 저대조, 저해상도, 가우시안 노이즈, 폐색, 작은 로고 등 9가지의 문제 중 하나의 문제를 포함한다. 각 문제별로 50개 이상의 실험 영상을 사용하였다. 인식률은 F1-score를 이용하여 측정하였다.

제안하는 알고리즘은 평균적으로 93.5%의 인식률을 보였고, 가장 낮은 인식률을 보인 복잡한 배경을 갖는 문제 영상에 대해서도 86.6%의 높은 인식률을 보였다.

인식결과


The north face


Puma


Starbucks