画像局所特徴量SIFTと最近のアプローチ
藤吉弘亘，“画像局所特徴量SIFTと最近のアプローチ”，人工知能学会誌 25(6)，753-760，2010．
近年のデジタルカメラの普及に伴い日常的に画像が記録され、大量な画像を効率的に扱うことが要求されています．大量な画像を扱うタスクの代表的な例として，画像検索や画像合成などが挙げられます．特に画像検索では，アーカイブされた写真を人物，風景，花，スポーツなどのカテゴリーに分類し，タグを自動的に付加する技術が必要とされています．画像分類を実現する手法として，Bag of Featuresというアプローチが提案されています．Bag of Featureで用いる画像局所特徴量には，スケールや回転変化に頑健である必要があるため，SIFT(Scale-Invariant Feature Transform)がよく用いられます．パノラマ写真のような画像合成は，画像間の対応点探索により実現され，高精度な対応点マッチングが不可欠です．このような対応点マッチングにも，スケール，回転変化に不変であるSIFTが用いられています．
SIFT特徴量は1999年に発表され，画像分類や画像合成など幅広い分野で使われています．近年では，SIFTを高精度化したPCA-SIFTやGLOHが提案されています．高速化のアプローチとしては，GPUを用いたものやSURFが提案されています．さらに，高精度化と高速化を同時に実現するアプローチとしてRandomized Tree(Random Forest)を用いた手法が提案されています．
本稿では，SIFT特徴量の概要と，SIFT特徴量をを改良したPCA-SIFT，GLOH，SURF，GPUを用いたSIFT，Randomized Treeについて紹介します．
1章 はじめに
2章 SIFT
3章 SIFTの高精度化
4章 SIFTの高速化
5章 学習を用いた高精度化と高速化