Classificação de Imagens usando Florestas Aleatórias e Samambaias

Exploramos o problema de classificar imagens pelas categorias de objetos que elas contêm no caso de um grande número de categorias de objetos. Para isso, combinamos três ingredientes: (i) representações de forma e aparência que suportam correspondência em pirâmide espacial sobre uma região de interesse. Isso generaliza a representação de Lazebnik et al., (2006) de uma imagem para uma região de interesse (ROI), e de aparência (palavras visuais) sozinha para aparência e forma local (distribuições de bordas); (ii) seleção automática das regiões de interesse no treinamento. Isso fornece um método de inibir a desordem do fundo e adicionar invariância à posição da instância do objeto; e (iii) o uso de florestas aleatórias (e samambaias aleatórias) como um classificador de múltiplas vias. A vantagem de tais classificadores (sobre SVM de múltiplas vias, por exemplo) é a facilidade de treinamento e teste. Resultados são relatados para a classificação dos conjuntos de dados Caltech-101 e Caltech-256. Comparamos o desempenho do classificador de florestas/samambaias aleatórias com um classificador SVM de múltiplas vias de referência. Mostra-se que a seleção da ROI adiciona cerca de 5% ao desempenho e, juntamente com as outras melhorias, o resultado é cerca de 10% melhor do que o estado da arte para Caltech-256.