[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,62 +2,159 @@
|
||||
id: wiki-2026-0508-shape-feature-extraction
|
||||
title: Shape Feature Extraction
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [CV-SHAPE-FEAT-001]
|
||||
aliases: [Shape Descriptors, HOG, SIFT, Contour Features]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, Computer-Vision, feature-extraction, image-Processing, shape-Analysis, Pattern-Recognition]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [computer-vision, feature-extraction, image-processing]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: OpenCV / scikit-image / PyTorch
|
||||
---
|
||||
|
||||
# Shape Feature Extraction (형상 특징 추출)
|
||||
# Shape Feature Extraction
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "색상과 픽셀의 소음에서 벗어나 사물의 본질적인 '실루엣'과 '기하학적 질서'를 추출하여, 어떤 환경에서도 변하지 않는 형상의 정체성을 정의하라" — 이미지 내 객체의 형태적 특성을 수치화하여 분류, 인식, 매칭 등에 활용하는 컴퓨터 비전의 핵심 공정.
|
||||
## 매 한 줄
|
||||
> **"매 image / object 에서 numerical descriptor 뽑기 — boundary, region, gradient"**. 매 classical (HOG, SIFT, Hu moments, Fourier descriptors) 부터 매 deep features (CNN backbone, DINOv2/v3, SAM2 mask embedding) 까지의 spectrum. 매 2026 default: deep features for recognition, classical for low-data / explainable / edge.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Geometric Invariance and Contour Description" — 물체의 크기가 변하거나 회전해도 일정하게 유지되는 불변 특징(Invariant Features)을 찾기 위해, 윤곽선(Contour)의 좌표 변화나 내부 픽셀의 모멘트(Moment) 분포를 분석하는 패턴.
|
||||
- **주요 기법:**
|
||||
- **Boundary-based:** 윤곽선의 길이, 곡률, 푸리에 기술자(Fourier Descriptors) 등을 통한 경계선 분석.
|
||||
- **Region-based:** 객체 내부 면적, 중심점, Hu-Moments 등을 통한 영역 특성 분석.
|
||||
- **HOG (Histogram of Oriented Gradients):** 픽셀 기울기의 방향을 밀집된 벡터로 표현 (사람 인식 등에 탁월).
|
||||
- **의의:** 문자 인식(OCR), 부품 결함 검사, 동작 인식 등 사물의 정확한 형태적 구분이 필요한 분야에서 딥러닝 모델의 성능을 보완하거나 강력한 베이스라인을 제공함.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 사람이 직접 수학적 수식을 설계하던 방식에서, 이제는 컨볼루션 신경망(CNN)이 층을 거듭하며 복잡한 형상 특징을 스스로 학습하는 방식으로 발전했으나, 기하학적 엄밀함이 필요한 정밀 계측 분야에서는 여전히 고전적인 형상 추출 기법이 병행됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 비전 에이전트의 물체 인식 로직 설계 시, 연산 자원이 제한된 환경에서도 안정적인 형태 파악을 위해 경량화된 형상 특징 추출 알고리즘을 우선 적용함.
|
||||
### 매 분류
|
||||
- **Boundary-based**: contour chain code, Fourier descriptors, polygon approx.
|
||||
- **Region-based**: area, perimeter, eccentricity, Hu moments (rotation/scale invariant).
|
||||
- **Gradient-based**: HOG (Dalal 2005), SIFT (Lowe 2004), SURF, ORB.
|
||||
- **Texture+shape**: LBP, GLCM.
|
||||
- **Deep**: CNN penultimate layer, ViT [CLS] token, DINOv3 patch features.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Computer-Vision-Fundamentals, [[Representation-Learning|Representation-Learning]], [[Optical-Character-Recognition|Optical-Character-Recognition]]-OCR, [[Deep-Learning|Deep-Learning]]-Foundations
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Shape-Feature-Extraction.md
|
||||
### 매 Invariance 요구
|
||||
- Translation: 매 거의 모든 method.
|
||||
- Rotation: Hu moments, SIFT, RIFT.
|
||||
- Scale: SIFT, multi-scale CNN.
|
||||
- Illumination: HOG (gradient), normalized embeddings.
|
||||
- Affine: ASIFT.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. Object recognition (legacy + edge).
|
||||
2. Image retrieval / re-id (deep embeddings).
|
||||
3. OCR pre-processing (contour).
|
||||
4. Medical imaging (lesion shape descriptors).
|
||||
5. Industrial defect inspection.
|
||||
6. Robot grasp planning (object silhouette).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Contour features (OpenCV)
|
||||
```python
|
||||
import cv2, numpy as np
|
||||
gray = cv2.imread("obj.png", 0)
|
||||
_, bw = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU)
|
||||
contours, _ = cv2.findContours(bw, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
|
||||
c = max(contours, key=cv2.contourArea)
|
||||
area = cv2.contourArea(c)
|
||||
peri = cv2.arcLength(c, True)
|
||||
circ = 4 * np.pi * area / (peri ** 2)
|
||||
hu = cv2.HuMoments(cv2.moments(c)).flatten()
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### HOG
|
||||
```python
|
||||
from skimage.feature import hog
|
||||
feat, vis = hog(gray, orientations=9, pixels_per_cell=(8,8),
|
||||
cells_per_block=(2,2), visualize=True)
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### SIFT (OpenCV)
|
||||
```python
|
||||
sift = cv2.SIFT_create()
|
||||
kp, desc = sift.detectAndCompute(gray, None) # desc: (N, 128)
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### Fourier descriptors
|
||||
```python
|
||||
def fourier_descriptors(contour, k=20):
|
||||
pts = contour[:, 0, 0] + 1j * contour[:, 0, 1]
|
||||
fd = np.fft.fft(pts)
|
||||
fd[0] = 0 # translation invariant
|
||||
fd /= np.abs(fd[1]) # scale invariant
|
||||
return np.abs(fd[1:k+1]) # rotation invariant (magnitude)
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### Deep feature (DINOv3)
|
||||
```python
|
||||
import torch
|
||||
from transformers import AutoModel, AutoImageProcessor
|
||||
proc = AutoImageProcessor.from_pretrained("facebook/dinov3-base")
|
||||
model = AutoModel.from_pretrained("facebook/dinov3-base").eval().cuda()
|
||||
inp = proc(img, return_tensors="pt").to("cuda")
|
||||
with torch.no_grad():
|
||||
feats = model(**inp).last_hidden_state # (1, N+1, D)
|
||||
cls_emb = feats[:, 0] # global shape/appearance
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### SAM2 mask + descriptor pipeline
|
||||
```python
|
||||
from sam2.build_sam import build_sam2
|
||||
from sam2.sam2_image_predictor import SAM2ImagePredictor
|
||||
sam = build_sam2("sam2_hiera_l.yaml", "sam2_l.pt")
|
||||
pred = SAM2ImagePredictor(sam)
|
||||
pred.set_image(img)
|
||||
masks, _, _ = pred.predict(point_coords=pts, point_labels=lbl)
|
||||
# 매 mask 내부 영역만 dino feature 뽑기 → object-centric descriptor
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Image retrieval pipeline
|
||||
```python
|
||||
emb = []
|
||||
for p in paths:
|
||||
e = dino_embed(load(p))
|
||||
emb.append(e / e.norm())
|
||||
emb = torch.stack(emb)
|
||||
# query
|
||||
q = dino_embed(load(query))
|
||||
q /= q.norm()
|
||||
sims = (emb @ q.T).flatten()
|
||||
topk = sims.topk(10).indices
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Modern recognition / retrieval | DINOv3 / CLIP embedding |
|
||||
| Explainable / regulatory | Hu moments, contour |
|
||||
| Real-time embedded | ORB or tiny CNN |
|
||||
| Robust to occlusion | local features (SIFT/SuperPoint) |
|
||||
| Mask 필요 + descriptor | SAM2 + DINO |
|
||||
|
||||
**기본값**: DINOv3 embedding for general purpose.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Computer-Vision]] · [[Feature-Extraction]]
|
||||
- 변형: [[HOG]] · [[SIFT]] · [[Hu-Moments]] · [[Deep-Features]]
|
||||
- 응용: [[Image-Retrieval]] · [[Object-Recognition]] · [[OCR]]
|
||||
- Adjacent: [[Image-Segmentation]] · [[SAM2]] · [[CLIP]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: dataset 작거나 explainability 요구 → classical. Otherwise deep.
|
||||
**언제 X**: 매 generic image classification — end-to-end deep model 가 매 simpler.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **HOG + SVM in 2026**: deep baseline 보다 명확히 약함 unless tiny data.
|
||||
- **Hand-crafted features then deep classifier**: 매 mismatch — pick one paradigm.
|
||||
- **No normalization**: scale/illumination drift → 매 retrieval 실패.
|
||||
- **SIFT 특허 우려**: 2020+ 매 expired, 그래도 license 확인.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Lowe 2004 SIFT, Dalal 2005 HOG, OpenCV docs, DINOv3 paper).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — classical + DINOv3/SAM2 2026 |
|
||||
|
||||
Reference in New Issue
Block a user