A Cue - Integration Scheme for Object Recognition Using Discriminative Accumulation

Robustness is an important property for any object recognition system. A way to increase robustness is by using multiple cues. This thesis proposes a cue-integration scheme for discriminative classifiers. The basic idea is to use one classifier for each cue and combine the outputs of the classifiers. The outputs are combined through weighted summation, which allows different cues to have different influences on the classification. The cue-integration scheme is derived and thoroughly tested. Benchmarking against other methods using multiple cues, a voting scheme and a probabilistic accumulation scheme, shows very good performance for the new cue-integration scheme. However, there is evidence that it might suffer from generalization problems as the number of object classes increases. Based on the last fact a decision tree using the new cue-integration scheme for each decision is proposed. This is also thoroughly tested. As expected, this method does not suffer from generalization problems and benchmarking gives evidence of an overall improved performance. Kombinering av ledtrådar för objektigenkänning genom diskriminativ ackumulering Sammanfattning Det är viktigt för objektigenkännings-system att vara robusta mot oförutsedda variationer i bilder. Ett sätt att göra objektigenkänningen mer robust är att använda flera ledtrådar. Denna rapport presenterar en metod för att kombinera olika ledtrådar för att på så sätt uppnå mer robusta system. Grundidén är att använda en diskriminativ klassificerare för varje ledtråd och sedan kombinera utdata från dessa klassificerare. Utdata kombineras genom viktad addition, vilket innebär att olika ledtrådar har olika inverkan vid klassificeringen. Metoden härleds och testas noggrant. Jämförelse med beslutsträd och probabilistisk ackumulering visar mycket goda resultat för den nya metoden, även om det visar sig att den nya metoden har vissa generaliseringsproblem då antalet klasser ökar. En metod inspirerad av det sista påståendet föreslås, där ackumuleringsmetoden kombineras med ett beslutsträd så att varje binärt beslut görs med hjälp av ackumulering. Denna metod testas också noggrant och det visar sig som förväntat att jämfört med de andra metoderna uppnås genomgående förbättrade resultat.