Tensor and vector approaches to objects recognition by inverse feature filters

• Autorzy: Kvyetnyy Roman , Bunyak Yuriy , Sofina Olga , Kotsiubynskyi Volodymyr , Piliavoz Tetiana , Stoliarenko Olena , Kumargazhanova Saule

Identyfikatory

DOI

10.35784/iapgos.5494

Warianty tytułu

PL

Podejście tensorowe i wektorowe do rozpoznawania obiektów za pomocą filtrów cech odwrotnych

• Języki publikacji: EN

Abstrakty

EN

The investigation of the extraction of image objects features by filters based on tensor and vector data presentation is considered. The tensor data is obtained as a sum of rank-one tensors, given by the tensor product of the vector of lexicographic representation of image fragments pixels with itself. The accumulated tensor is approximated by one rank tensor obtained using singular values decomposition. It has been shown that the main vector of the decomposition can be considered as the object feature vector. The vector data is obtained by accumulating analogous vectors of image fragments pixels. The accumulated vector is also considered as an object feature. The filter banks of a set of objects are obtained by regularized inversion of the matrices compiled by object features vectors. Optimized regularization of the inversion is used to expand the regions of object features capture with minimal error. The object fragments and corresponding feature vectors are selected through a training iterative process. The tensor and vector approaches create two channels for recognition. High efficiency of object recognition can be achieved by choosing the filter capture band and creating filter branches according to the given bands. The filters create a convolutional network to recognize a set of objects. It has been shown that the obtained filters have an advantage over known correlation filters when recognizing objects with small fragments.

PL

Rozważane jest badanie ekstrakcji cech obiektów obrazu przez filtry oparte na prezentacji danych tensorowych i wektorowych. Dane tensorowe uzyskuje się jako sumę tensorów pierwszego rzędu, otrzymanych przez iloczyn tensorowy wektora leksykograficznej reprezentacji pikseli fragmentów obrazu z samym sobą. Skumulowany tensor jest aproksymowany przez tensor pierwszego rzędu uzyskany przy użyciu dekompozycji wartości osobliwych. Wykazano, że główny wektor dekompozycji można uznać za wektor cech obiektu. Dane wektorowe uzyskuje się poprzez akumulację analogicznych wektorów pikseli fragmentów obrazu. Skumulowany wektor jest również uważany za cechę obiektu. Banki filtrów zestawu obiektów są uzyskiwane przez regularyzowaną inwersję macierzy skompilowanych przez wektory cech obiektów. Zoptymalizowana regularyzacja inwersji jest wykorzystywana do rozszerzenia obszarów przechwytywania cech obiektów przy minimalnym błędzie. Fragmenty obiektów i odpowiadające im wektory cech są wybierane w iteracyjnym procesie uczenia. Podejście tensorowe i wektorowe tworzy dwa kanały rozpoznawania. Wysoką skuteczność rozpoznawania obiektów można osiągnąć, wybierając pasmo przechwytywania filtrów i tworząc gałęzie filtrów zgodnie z podanymi pasmami. Filtry tworzą sieć konwolucyjną do rozpoznawania zestawu obiektów. Wykazano, że uzyskane filtry mają przewagę nad znanymi filtrami korelacyjnymi podczas rozpoznawania obiektów z małymi fragmentami.

Słowa kluczowe

EN

objects recognition; objects feature; image data tensor; image data vector; inverse filter; optimized regularization

PL

rozpoznawanie obiektów; cechy obiektów; tensor danych obrazu; wektor danych obrazu; filtry odwrotne; zoptymalizowana regularyzacja

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 1
• Strony: 41--45
• Opis fizyczny: Bibliogr. 20 poz., tab.

Twórcy

autor

Kvyetnyy Roman

• Vinnitsia National Technical University, Vinnitsia , Ukraine

• https://orcid.org/0000-0002-9192-9258

autor

Bunyak Yuriy

• Spilna Sprava company, Vinnitsia, Ukraine

• https://orcid.org/0000-0002-0862-880X

autor

Sofina Olga

• Vinnitsia National Technical University, Vinnitsia , Ukraine

• https://orcid.org/0000-0003-3774-9819

autor

Kotsiubynskyi Volodymyr

• Vinnitsia National Technical University, Vinnitsia , Ukraine

• https://orcid.org/0000-0001-6759-5078

autor

Piliavoz Tetiana

• Vinnitsia National Technical University, Vinnitsia , Ukraine

• https://orcid.org/0000-0001-7535-7360

autor

Stoliarenko Olena

• Spilna Sprava company, Vinnitsia, Ukraine

• https://orcid.org/0000-0002-1899-8089

autor

Kumargazhanova Saule

• D. Serikbayev East Kazakhstan Technical University, Ust-Kamenogorsk, Kazakhstan

• https://orcid.org/0000-0002-6744-4023+

Bibliografia

• [1] Andaló F. A. et al.: Shape feature extraction and description based on tensor scale. Pattern Recognition 43(1), 2010, 26–36 [https://doi.org/10.1016/j.patcog.2009.06.012].
• [2] Avrunin O. G. et al.: Features of image segmentation of the upper respiratory tract for planning of rhinosurgical surgery. 39th International Conference on Electronics and Nanotechnology, ELNANO 2019, 485–488.
• [3] Deng Y., Tang X., Qu A.: Correlation Tensor Decomposition and Its Application in Spatial Imaging Data. J. of the American Statistical Association 118(541), 2023, 440–456 [https://doi.org/10.1080/01621459.2021.1938083].
• [4] De Lathauwer L.: Signal Processing based on Multilinear Algebra. PhD thesis, Katholieke Universiteit Leuven, 1997.
• [5] Dubrovin B. A., Fomenko A. T., Novikov S. P.: Modern Geometry – Methods and Applications Pt. 1. Springer, New York 1992.
• [6] Comon P.: Tensor decomposition: State of the art and applications. V. J. G. McWhirter, I. K. Proudler (eds): Mathematics in Signal Processing, Oxford University Press, Oxford 2002.
• [7] Fernandez J. A. et al.: Zero-Aliasing Correlation Filters for Object Recognition. IEEE Trans. on Pattern Analysis and Machine Intelligence 37(8), 2015, 1702 1715.
• [8] Fu Y., Huang T. S.: Image Classification Using Correlation Tensor Analysis. IEEE Trans on Image Processing 17(2), 2008, 226–234.
• [9] Grasedyck L.: Hierarchical Singular Value Decomposition of Tensors. SIAM Journal on Matrix Analysis and Applications 31(4), 2010 2029–2054 [https://doi.org/10.1137/090764189].
• [10] Kolda T. G., Bader B. W.: Tensor decompositions and applications. SIAM Rev. 51, 2009, 455–500.
• [11] Kvуetnyy R. et al.: Inverse correlation filters of objects features with optimized regularization for image processing. Proc. SPIE 12476, 2022, 124760Q [https://doi.org/10.1117/12.2664497].
• [12] Orazayeva A. et al.: Biomedical image segmentation method based on contour preparation. Proc. SPIE 12476, 2022, 1247605 [https://doi.org/10.1117/12.2657929].
• [13] Oseledets I. V.: Tensor-train decomposition. SIAM Journal on Scientific Computing 33(5), 2011, 2295–2317 [https://doi.org/10.1137/090752286].
• [14] Pavlov S. V.: Information Technology in Medical Diagnostics. W. Wójcik, A. Smolarz (eds), CRC Press, 2017.
• [15] Panagakis Y. et al.: Тensor Methods in Computer Vision and Deep Learning. Proceedings of the IEEE 105(5), 2021, 863–890 [https://doi.org/10.1109/JPROC.2021.3074329].
• [16] Phan A. H., Cichocki A.: Tensor decompositions for feature extraction and classification of high dimensional datasets. Nonlinear Theory and Its Applications IEICE 1(1), 2010, 37–68 [https://doi.org/10.1587/nolta.1.37].
• [17] Timchenko L. I. et al.: Q-processors for real-time image processing. Proc. SPIE 11581, 2020, 115810F [https://doi.org/10.1117/12.2580230].
• [18] Tucker L. R.: Some mathematical notes on three mode factor analysis. Psychometrika 31(3), 1966, 279–311 [https://doi.org/10.1007/BF02289464].
• [19] Vijaya Кumar B. V. K., Mahalanobis A., Juday R. D.: Correlation pattern recognition. Cambridge University Press, Cambridge 2005.
• [20] Wilkinson J. H., Reinsch C.: Handbook for Automatic Computation. Linear Algebra. Heidelberg New York, Springer Verlag, Berlin, 1974.