Covariance-based descriptors for pattern recognition in multiple feature spaces

• Autores: Pol Cirujeda Santolaria
• Directores de la Tesis: Xavier Binefa i Valls (dir. tes.)
• Lectura: En la Universitat Pompeu Fabra ( España ) en 2015
• Idioma: español
• Tribunal Calificador de la Tesis: Jordi Freixenet Bosch (presid.) , Miguel Ángel González Ballester (secret.) , Ioannis Patras (voc.)
• Enlaces
  • Tesis en acceso abierto en: TDX
• Resumen

  • La representación de los datos es de especial interés en cualquier área de investigación. En visión por computador estamos acostumbrados a tratar con características de datos, construir representaciones útiles que sirvan para que un modelo computacional pueda reconocer patrones específicos. Esta tesis explora la cuestión acerca de si es posible observar y entender estas características no por su contenido, sino desde un espacio más elevado en el que tengan otro valor. Para un ordenador, una persona en una imagen puede ser un conjunto de pixeles de colores. Para un buen algoritmo de reconocimiento de patrones, quizás sería mejor una representación basada en un determinado comportamiento de observaciones dentro de una región, tales como una determinada distribución de color y contorno en una posición determinada.

    En esta tesis se explora el uso de descriptores basados en la covarianza de los datos con el fin de trasladar la observación de características dentro de una región de interés a un determinado espacio descriptivo que utilice las matrices de covarianza como signaturas descriptivas de los datos. Este espacio constituye la variedad de las matrices simétricas definidas positivas, con su propia métrica y consideraciones analíticas, en la que se pueden desarrollar diferentes métodos de machine learning para el reconocimiento de patrones. Sea cual sea el dominio de las características, ya sean observaciones visuales en imágenes 2D, características de forma y textura en nubes de puntos 3D, gestos y movimientos en secuencias de imágenes de profundidad, o información de densidad en imágenes médicas en 3D, el espacio del descriptor de covarianza actúa como un paso de unificación en el reto de mantener un marco de trabajo en común para diversas aplicaciones.

    Con el objetivo de probar la validez de esta metodologia, esta tesis presenta los fundamentos del descriptor basado en covarianza -su construcción, la teoria necesaria en cuanto a su definición geométrica, y diversas técnicas de machine learning que tengan en cuenta esta variedad- y los situa en cuatro casos concretos de aplicación: clasificación de imágenes en 2D mediante la técnica de boosting; descripción i registración de escenas en nubes de puntos 3D mediante un proceso de minimización basado en teoría de juegos; clasificación de gestos en secuencias de imágenes de profundidad; y finalmente análisis de imagen médica para la clasificación de tejido en tomografias por computador. Todas estas aplicaciones comparten el mismo enfoque en cuanto a descriptores, pero con diferentes características en cuanto a los tipos de datos y aplicando diferentes algoritmos de machine learning en función de la naturaleza del problema a resolver.

    Las publicaciones en revistas científicas y conferencias derivadas de esta tesis son las siguientes:

    POL CIRUJEDA, YASHIN DICENTE CID, XAVIER MATEO, XAVIER BINEFA. A 3D Scene Registration Method via Covariance Descriptors and an Evolutionary Stable Strategy Game Theory solver. International Journal of Computer Vision, 2015.

    POL CIRUJEDA, YASHIN DICENTE CID, HENNING MÜLLER, DANIEL RUBIN, TODD A. AGUILERA, XAVIER BINEFA, ADRIEN DEPEURSINGE. A 3D Riesz-Covariance Texture Model for Prediction of Carcinoma Recurrence in Lung CT. Transactions on Medical Imaging (en preparación en la fecha de depósito).

    POL CIRUJEDA, HENNING MÜLLER, DANIEL RUBIN, TODD A. AGUILERA, BILLY W. LOO JR., MAXIMILIAN DIEHN, XAVIER BINEFA, ADRIEN DEPEURSINGE. 3D Riesz-Wavelet Based Covariance Descriptors for Texture Classification of Lung Nodule Tissue in CT. International Conference of the IEEE Engineering in Medicine and Biology Society, 2015.

    POL CIRUJEDA, XAVIER BINEFA. Medical Image Classification via 2D Color Feature Based Covariance Descriptors. Working Notes of CLEF 2015 (Cross Language Evaluation Forum), CEUR Workshop Proceedings, 2015.

    OSCAR ALFONSO JIMÉNEZ DEL TORO, POL CIRUJEDA, YASHIN DICENTE CID, HENNING MÜLLER. RadLex Terms and Local Texture Features for Multimodal Medical Case Retrieval. Multimodal Retrieval in the Medical Domain, 2015. Lecture Notes in Computer Science, Springer.

    POL CIRUJEDA, XAVIER BINEFA. 4DCov: a Nested Covariance Descriptor of Spatio-temporal Features for Gesture Recognition in Depth Sequences. International Conference on 3D Vision, 2014.

    POL CIRUJEDA, XAVIER MATEO, YASHIN DICENTE CID, XAVIER BINEFA. MCOV: a Covariance Descriptor for Fusion of Texture and Shape Features in 3D Point Clouds. International Conference on 3D Vision, 2014.

    POL CIRUJEDA, XAVIER BINEFA. Augmented Poselets for Human Body Pose Inference by a Probabilistic Graphical Model. In SIGMM ACM Multimedia, 2012.

    ORIOL MARTINEZ, POL CIRUJEDA, LUIS FERRAZ, XAVIER BINEFA. Dissociating Rigid and Articulated Motion for Hand Tracking. International Conference on Pattern Recognition, 2012.