Annotazione Automatica di
materiale multimediale
Enver Sangineto,
Dipartimento di Informatica
[email protected]
Annotazione automatica

Estrarre automaticamente informazione
“semantica” da immagini, video o audio e
rappresentarla in forma:



testuale o
simbolica (“machine understandable”)
Si usano spesso tecniche di machine learning
p. 2
Annotazione automatica [2]


E’ una fase di pre-processing, precedente al
retrieval vero e proprio, che avviene con
metodi più “tradizionali” avvalendosi
dell’informazione estratta off-line
E’ simile alla “information extraction” nel caso
dei testi, in cui da un documento si ricava
informazione rappresentata poi in maniera
machine understandable
p. 3
Annotazione di documenti digitali:
OCR e Document Analysis



Un caso particolare di immagine è la
digitalizzazione di un documento di testo
Tecniche di Document Analysis permettono di
analizzare la struttura del documento al fine di
individuare le parti contenenti testo
Il testo può essere riconosciuto attraverso
Optical Character Recognition (OCR)
p. 4
Annotazione di immagini
(generiche)

L’ideale sarebbe poter disporre di un sistema
che riconosca i principali oggetti presenti in
un’immagine e li descriva tramite una lista di
keywords
p. 5
Annotazione di immagini [2]



E’ difficile stabilire a priori quali sono gli
oggetti importanti in una data immagine
Un tale sistema non sarebbe in grado di
estrarre significati più complessi (e.g. “Rabin e
Arafat si stringono la mano”…)
Tuttavia una lista degli oggetti (e.g., in primo
piano) sarebbe già un grosso passo in avanti
p. 6
Esempio

Annotazione 1: ci sono 3 esseri umani
 Annotazione 2: ci sono 3 esseri umani, Arafat,
Clinton e Rabin
p. 7
Problemi principali nel
riconoscimento di oggetti

La maggior parte dei problemi che un sistema
di object recognition deve affrontare sono
riconducibili a due problemi base:


Variabilità delle apparenze con cui l’immagine di
un oggetto può presentarsi sul piano di vista
La segmentazione della scena, ovvero
l’individuazione di quelle sotto-parti dell’immagine
che rappresentano l’oggetto cercato
p. 8
Variabilità [1]: cambiamento del punto di vista
p. 9
Michelangelo 1475-1564
Variabilità [2]: cambiamento delle condizioni di illuminazione
p. 10
Variabilità [3]: oggetti deformabili
Xu, Beihong 1943
p. 11
Variabilità [4]: variazione intra-classe
p. 12
Segmentazione [1]:
Occlusioni
p. 13
Magritte, 1957
Segmentazione [2]: separazione dallo sfondo
p. 14
Klimt, 1913
Categorizzazione tramite
apprendimento automatico

Suppongo di disporre, in fase di training, di un
insieme
T = {(I1, y1), …, (IN, yN)},
dove Ij è un’immagine e yj un’etichetta che
indica l’oggetto in essa contenuto:
yj {o1, …, om}
p. 15
Categorizzazione tramite
apprendimento automatico [2]


Utilizzo T off-line per addestrare un
classificatore statistico C (e.g., una rete
neurale, una SVM, …)
On-line, uso C per classificare un’immagine
nuova I, non appartenente a T:
C(I) {o1, …, om}
p. 16
Categorizzazione tramite
apprendimento automatico [3]


Esistono molti approcci all’object recognition
che utilizzano tecniche di apprendimento
automatico
Essi si scontrano con i problemi di
segmentazione e variabilità visti prima
p. 17
Idea: image categorization come
text categorization

Un approccio nuovo si avvale di un’analogia
con i documenti testuali:




documenti <-> immagini
concetti <-> classi di oggetti
keywords <-> (valori “prototipi” di) feature
spazio vettoriale <-> spazio della frequenza delle
feature prototipe
p. 18
Proprietà di invarianza delle feature


Maggiore è l’invarianza delle feature a
cambiamenti di apparenza, minore la
variabilità da rappresentare nel training set
Invarianze desiderabili:


Cambiamenti di punti di vista (rotazioni,
traslazioni, scalamenti)
Cambiamenti di illuminazione
p. 19
Features per immagini non
segmentate


Le feature globali sono inefficaci se l’oggetto
cercato non è separato dal background
L’orientazione corrente è utilizzare feature
locali che in genere dipendono sia dalla forma
che dalla texture dell’oggetto
p. 20
Esempi di feature: Istogrammi basati
sui pixel di edge
• SIFT, D. Lowe, Int. Journal of Computer
Vision, 2004
• Shape context
Belongie, Malik, Puzicha, NIPS 2000
p. 21
Scale Invariant Feature Transform
(SIFT) [Lowe]

L’estrazione delle SIFT da un’immagine è
composta da due fasi:


Individuazione di punti “stabili” a cambiamenti di
scala
Descrizione delle zone circostanti tali punti con il
descrittore SIFT
[Lowe ] David G. Lowe, Distinctive Image Features from Scale-Invariant Keypoints,
Int. J. Comput. Vision, 60 (2), pp 91-110, 2004.
p. 22
Selezione di punti stabili a
cambiamenti di scala
Differenze di scala vengono
simulate costruendo una
“piramide” di DoG
I punti stabili sono scelti cercando
punti di massimo/minimo nella
piramide
p. 23
Descrittore SIFT

Il descrittore è ottenuto concatenando il valore dei
4*4 istogrammi da 8 orientazioni l’uno
 Normalizzando rispetto al modulo si ottiene un
descrittore invariante per trasformazioni affini della
luce nell’area descritta
p. 24
Bags of Words

Estraggo le feature da vari punti
dell’immagine, scegliendo:




I punti più salienti (tipo SIFT…), oppure
Dei punti a caso…
Conto la frequenza dei valori delle feature
estratte e classifico l’immagine in base alla
frequenza trovata
Tecnica simile alla rappresentazione di un
documento in uno spazio vettoriale
p. 25
Object
Bag of ‘words’
p. 26
immagine presa da: Tutorial CVPR 07
Problema: dimensionalità del
“vocabolario” delle feature

Una feature f(), a differenza delle keyword, ha
codominio in Rk, e non in un insieme discreto,
finito e numericamente limitato come un
vocabolario di un linguaggio
p. 27
Esempio: dimensionalità delle SIFT



Un descrittore SIFT è composto da 4*4
istogrammi da 8 orientazioni (128 elementi)
I valori del “bin” di ogni istogramma sono
normalizzati in [0, 255]
In totale 256128 possibili valori…
p. 28
Prototipi di feature: le “keywords”
discrete che mancavano



Suddivido i valori che può assumere una
feature in “tipi” diversi
Ogni tipo è rappresentato da un prototipo,
detto “word” per analogia al caso testuale
In sostanza, creando i tipi di feature, creo un
vocabolario di valori discreti
p. 29
Esempio



Supponiamo che lo spazio delle feature sia
RGB (uno spazio semplice, di sole 3
dimensioni)
Posso pensare di partizionare tale spazio
associando ad alcune zone l’etichetta “rosso”
o “giallo”, ecc.
Una volta definiti opportunamente i confini
della zona rossa, il centro di tale zona può
essere usato come coordinate prototipe (r,g,b)
del colore “rosso”
p. 30
Vector Quantization

Si tratta di un processo di vector quantization
con cui creo un dizionario (codebook o
codeword dictionary) per discretizzare i
possibili valori del feature space
p. 31
Es: estraggo le feature da un’img di training
p. 32
immagine presa da: Tutorial CVPR 07
Estraggo le feature da tutte le img di
training
…
p. 33
immagine presa da: Tutorial CVPR 07
Rappresentazione nel feature space dei valori
estratti dal training set
…
p. 34
immagine presa da: Tutorial CVPR 07
Costruisco il Codeword dictionary tramite clustering
…
w2
w1
w3
Vector quantization
p. 35
immagine presa da: Tutorial CVPR 07
Rappresentazione di un’immagine
nello spazio delle frequenze


Supponiamo che il dizionario è composto da n
valori possibili {w1, …, wn}
Ogni wi è un’etichetta associata con un valore
prototipo xi del feature space
p. 36
Rappresentazione di un’immagine
nello spazio delle frequenze [2]

Da una generica immagine I estraggo un
insieme di feature locali:
z1 = fk(Iq), z2 = fh(Ip), …

Associo ogni zi con la “parola” wj più simile,
e.g., scegliendo j in modo da minimizzare:
Dist(zi, xj)

I è quindi rappresentata da (c1, …, cn)T, dove:

cj= # { wj : Esiste zi associata con xj }
p. 37
frequency
Rappresentazione dell’immagine
…..
w1 w2 w3 w4 …
p. 38
immagine presa da: Tutorial CVPR 07
Effetti dell’uso del dizionario

Ho ridotto il numero dei possibili valori che
una feature può assumere da |Rk| a n
(n << |Rk| )


Nello spazio delle frequenze (Rn) posso
applicare tecniche di classificazione simili a
quelle usate, ad ese., nel text categorization
Il risultato è un procedimento di
classificazione statistica delle immagini che mi
permette, data una nuova immagine in input,
di stabilire quali oggetti (o1, …, om) essa
rappresenta
p. 39
Bags of Words: riassunto
1.
2.
3.
Scelta delle feature per rappresentare le img
e costruzione dello spazio delle feature F
Attraverso un training set di img e tecniche
di clustering, costruisco il dizionario delle
feature scegliendo i prototipi di feature più
comuni (“words”)
Utilizzando il dizionario rappresento il
training set di img nello spazio delle
frequenze (S) delle words
p. 40
Bags of Words: riassunto [2]
4.
5.
6.
Utilizzo tecniche di classificazione in S per
costruire un classificatore statistico C
On-line, associo le feature prototipe ad una
nuova img (I) e ne conto la frequenza
Posso quindi rappresentare I in S e
utilizzare C per classificarla
p. 41
Annotazioni di video


Un video è una sequenza di immagini (frame),
per cui potrei applicare tecniche di image
classification (e.g., ai soli key frame)
Tuttavia si rileva normalmente più efficace
studiare approcci ad hoc per tipi di video
differenti (film, news, video sportivi, pubblicità,
…)
p. 42
Nei video sono spesso già presenti
alcune informazioni testuali


“Content independent-Metadata”: titolo,
autore, produttore, data..
Sottotitoli e trascrizioni degli autori
p. 43
Esempio: annotazione di video
sportivi

Annotare può significare riconoscere azioni di
gioco importanti (nel calcio, nel tennis, …) e
indicizzare i punti esatti in cui avvengono
p. 44
Esempio: annotazione di film



Riconoscere gli attori (face recognition)
Riconoscere il tipo di scena (allegra, triste,
drammatica, suspance, …) da alcune sue
caratteristiche come l’intensità luminosa o
della colonna sonora, …
…
p. 45
Annotazioni audio


E’ anzitutto necessario distinguere
(classificare…) le parti del file audio che
contengono una parte parlata da altri suoni o
musiche
Tecniche di speech recognition possono
quindi essere utilizzate per trasformare il
parlato in testo
p. 46
Annotazioni audio [2]


La qualità del riconoscimento può essere
elevata per sistemi speaker-dependent
Qualità accettabili ai fini del retrieval anche
per sistemi speaker-independent
p. 47
Alcuni riferimenti




Forsyth, Ponce, Computer Vision, a Modern
Approach 2003,
Duda, Hart, Stork, Pattern Classification (II
edition) 2001,
Bishop, Pattern Recognition and Machine
Learning, 2006
Fergus, Fei-Fei, Perona, Zisserman, Learning
Object Categories from Google’s Image
Search, ICCV 05
p. 48
Domande…
p. 49