The description of images in interest points has been a general trend in the last years for object detection and classification. This project aims at assessing the potential of a bundling interest points according to the regions obtained by a segmentation.

[ANGLÈS] This Bachelor of Science thesis addresses the problem of image classification combining two popular visual representations: points and regions. Firstly, the study explores bundling interest points with regions. These regions are generated with an initial SLIC partition and using Binary Partition Tree (BPT), considering different scales of resolution in the segmentation. Secondly, it explores modelling visual classes as a group of points extracted from different images. Based on Naive-Bayes Nearest Neighbor (NBNN), we are using 1-Nearest Neighbor with SURF descriptor on the 17 Category Flower Dataset with 1360 images of flowers distributed into 17 classes, 80 images per class. We have verified that grouping interest points of the same class improves the F1-score a 9.2%. However, bundling interest points into regions using segmentation worsens the F1-score between 1% and 7%, depending on the number of regions in the segmentation.

[CASTELLÀ] En este Trabajo Fin de Grado se aborda el problema de la clasificación de imágenes combinando dos representaciones visuales populares: los puntos y las regiones. En primer lugar, el estudio explora la agrupación de puntos de interés con las regiones. Estas regiones se generan mediante una partición inicial SLIC y el uso de Árboles de Particiones Binarias (Binary Partition Tree, BPT), teniendo en cuenta distintas escalas de resolución en la segmentación. En segundo lugar, se estudia modelar las clases como grupo de puntos de interés extraídos de imágenes distintas. Basándonos en el clasificador Naive-Bayes Nearest Neighbor (NBNN), hemos utilizado el vecino más cercano con un descriptor SURF sobre la base de datos 17 Category Flower Dataset, que contiene 1360 imágenes de flores distribuidas en 17 clases, con 80 imágenes por clase. Hemos podido verificar que el hecho de juntar los puntos de interés de las imágenes de una misma clase mejora la puntuación F1 en un 9,2%. Sin embargo, la agrupación de puntos de interés en regiones utilizando una segmentación de la imagen empeora la puntuación F1 entre el 1% y el 7%, dependiendo del número de regiones de la segmentación.

[CATALÀ] Aquest Treball Final de Grau aborda el problema de la classificació d'imatges combinant dues representacions visuals populars: els punts i les regions. En primer lloc, l'estudi explora l'agrupació de punts d'interès amb les regions. Aquestes regions es generen amb una partició inicial SLIC i s'utilitzen els Arbres de Partició Binària (Binary Partition Tree, BPT), considerant diferents escales de resolució en la segmentació. En segon lloc, s'estudia modelar les classes com a grup de punts d'interès extrets d'imatges diferents. Basant-nos en el classificador Naive-Bayes Nearest Neighbor (NBNN), hem utilitzat el veï més proper amb un descriptor SURF sobre la base de dades 17 Category Flower Dataset, que conté 1360 imatges de flors distribuïdes en 17 classes, amb 80 imatges per classe. Hem pogut verificar que el fet d'ajuntar els punts d'interès de les imatges d'una mateixa classe millora la puntuació F1 en un 9,2%. No obstant, l'agrupació de punts d'interès en regions utilitzant una segmentació de la imatge empitjora la puntuació F1 entre l'1% i el 7%, depenent del nombre de regions de la segmentació.