In dit tetraproject starten we van objectcategorisatie-algoritmes waarvan we de code ter beschikking hebben. Hierbij is de code meestal beschikbaar via de website van de eigenlijke onderzoeker. Doorheen het volledige proces onderwerpen we elke techniek aan een grondige evaluatie.

[A] P. Viola and M. Jones, Rapid Object Detection using a Boosted Cascade of Simple Features, IEEE Conference on Computer Vision and Pattern Recognition, 2001
[Paper – Klik hier]

[B] P. Felzenszwalb, R. Girshick, D. McAllester, Cascade Object Detection with Deformable Part Models, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2010
[Paper – Klik hier]

[C] B. Leibe and B. Schiele. Scale-Invariant Object Categorization using a Scale-Adaptive Mean-Shift Search, DAGM, pp. 145-153, 2004. en de multiview-uitbreiding hiervan in A. Thomas, V. Ferrari, B. Leibe, T. Tuytelaars, B. Schiele, and L. Van Gool, “Towards Multi-View Object Class Detection“, Proceedings Conference on Computer Vision and Pattern Recognition, vol. II, pp. 1589-1596, 2006.
[Paper 1 – Klik hier] [Paper 2 – Klik hier]

Na een literatuurstudie werd beslist dat bovenstaande techniek niet voldoet aan de state-of-the-art eisen waar de andere algoritmes aan voldoen. Het algoritme is voorbijgestreefd door de andere technieken en vereist een heel complexe implementatie. Daarom werd de keuze gemaakt om bovenstaande techniek te schrappen.

[D] Gall J. and Lempitsky V., Class-Specific Hough Forests for Object Detection, IEEE Conference on Computer Vision and Pattern Recognition (CVPR’09), 2009.
[Paper – Klik hier]

De literatuurstudie bracht ons in contact met een vijfde, nieuwere techniek, die gebruikt maakt van bestaande technieken en daarbij de voordelen van de afzonderlijke technieken gaat combineren. Deze techniek is veelbelovend, waardoor deze wordt opgenomen in het project ter vervanging van de techniek die verwijderd werd.

[E] Dollar P., Tu Z., Perona P. and Belongie S., Integral Channel Features, British Machine Vision Conference, 2009.
[Paper – Klik hier]