Large Scale Sparse Optimization for Object Detection in High Resolution Images

Description

In this work, we address the problem of detecting objects in images by expressing the image as convolutions between activation matrices and dictionary atoms. The activation matrices are estimated through sparse optimization and correspond to the position of the objects. In particular, we propose an efficient algorithm based on an active set strategy that is easily scalable and can be computed in parallel. We apply it to a toy image and a satellite image where the aim is to detect all the boats in a harbor. These results show the benefit of using nonconvex penalties, such as the log-sum penalty, over the convex l1 penalty.

Abstract (French)

Nous traitons dans ces travaux le problème de la détection d'objets dans des images en exprimant l'image comme convolutios entre des matrices d'activation et des atomes de dictionnaire. Les matrices d'activation sont estimées par optimisation parcimonieuse et correspondent à la position des objets. En particulier, nous proposons un algorithme efficace basé sur une stratégie d'ensemble actif qui permet le passage à l'échelle et peut être calculé en parallèle. Nous l'appliquons sur une image jouet, et sur une image satellitaire où l'objectif est de détecter tous les bateaux d'un port. Les résultats montrent l'avantage de l'utilisation de pénalités non-convexes, comme la pénalité de somme de log, par rapport à la pénalité convexe l1.

Abstract

International audience

Additional details