MULTI-HASH の性能

この節では、トレーニングデータの不確かさのモデル化の結果と、構築された 決定木・ハッシュテーブルについて述べる。

Figure 2.17

簡単のために、Figure 2.17(a) に、属性が２つ（赤成分・緑成分）の時の切 り取られたガウス分布で表した３つのモデルの LFS を示す。$LFS_{1}$は、実 際の赤い物体から得られたものであり、$LFS_{2}$は白い物体、$LFS_{3}$は木 の色の物体であり、３つの形状は同一である。それぞれの値は０から２５５の 値を取り、量子化の単位は１である。不確かさは、値の分布（ガウス分布）を 標準偏差の３倍で切り取った分布でモデル化した。

Figure 2.18

Figure 2.17(b)は構築された決定木を、Figure 2.17(c)は対応するハッシュテー ブルを示す。このハッシュテーブルはエントロピー最小という観点から最適で あり、最適化の条件から領域数が最も少なくなっている。Figure 2.18 は、少 し異なる分布を同様にパーティショニングしたものである。$LFS_{1}$は赤、 $LFS_{2}$は黄色、$LFS_{3}$はピンクの物体である。

次に、Figure 2.1 の物体をモデルとした場合の実験結果を示す。各 LFS のた めに集められたサンプルは１４から４４であり、異なるサンプルは物体を異な る姿勢をで観察している。Table 2.1 は、２つの LFS の各属性について、そ の生起確率分布がガウス分布・一様分布の各場合のパラメータを示す。

Table 2.2 は、ガウス分布でモデル化した場合に、決定木構築過程で各属性軸 がどのように分割されたかを示す。none とあるのは、その属性が決定木で用 いられなかったことを示す。

Figure 2.19

Table 2.2 より作られたハッシュテーブルは、物体をランダムに配置した１０ 通りのシーンに対する物体認識に用いられた。１０シーンの中の１つを、構造 化光に照らされた画像とセグメンテーション結果を示す画像とで表したものを Figure 2.19 に示す。

Figure 2.20

セグメンテーション結果から、Figure 2.2 に示すように物体認識が行われる。 そして、１つの物体を認識したらそれをピューマロボットでつかみあげる実験 を行った。Figure 2.20 は、ロボットが最初に認識した物体を取り上げている 様子を示している。１０シーン中７シーンで、１つの物体を認識しつかみあげ ることができた。残りの３つのシーンでは１つも物体を認識することができな かった。これは、セグメンテーションミスか、もしくは物体の頂点がセンサか ら見えなかったことが原因である。ここでは LFS は頂点を中心とした feature によって構成されるため、観測時に頂点が見えない場合には LFS を 構築することができず、認識が行われない。

Table 2.3 は、それぞれのシーンに対して生成された仮説(LFS)の数を今回の システムと以前に提案したシステム[24]とで比較した結果を示す。なお、発見 された全ての画像中の LFS に対して、対応するモデルの LFS が見つかってい る。また、ここでは LFS として頂点を中心とした特徴量を用いているが、こ れは 単なる実装上の選択であり、MULTI-HASH の制限ではない。