×

最佳连通性在图像分割中的作用:算法可以在过程中学习对象信息吗? (英语) Zbl 1522.68692号

Couprie,Michel(编辑)等人,《计算机图像的离散几何》。2019年3月26日至28日,法国马内拉瓦莱,第21届IAPR国际会议,DGCI 2019,会议记录。查姆:施普林格。莱克特。注释计算。科学。11414, 180-194 (2019).
摘要:图像分割是计算机视觉中研究最多的研究课题之一,但由于难以对图像中物体的所有可能外观进行建模,因此存在挑战。从这个意义上说,研究能够在描绘之前和描绘期间学习物体信息的方法是很重要的。本文通过利用图像域和特征空间中图像元素(像素和超像素)之间的最佳连通性来改进分割,从而解决了这个问题。该研究使用图像预测变换(IFT)框架来解释和实现所有方法,并描述了与超像素和对象描绘相关的一些最新进展。它提供了仅基于种子像素、超像素聚类和分类从目标图像中学习先验目标信息的指南,评估了在几种基于连通性的描绘方法中使用目标信息的影响,这些方法使用深度神经网络分割作为基线,并展示了一种新范式的潜力,即动态树,它可以仅在描绘期间从目标图像中学习对象信息。
关于整个系列,请参见[Zbl 1420.68008号].

MSC公司:

68单位10 图像处理的计算方法
68T05型 人工智能中的学习和自适应系统
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Achanta,R.等人:与最先进的超像素方法相比,SLIC超像素。IEEE传输。模式分析。马赫。智力。34(11), 2274-2282 (2012) ·doi:10.1109/TPAMI.2012.120
[2] Amorim,W.P.,Falcáo,A.X.,Papa,J.P.,Carvalho,M.H.:通过最佳连接改进半监督学习。模式识别。60, 72-85 (2016) ·doi:10.1016/j.patcog.2016.04.020
[3] Amorim,W.P.,Falcáo,A.X.,Papa,J.P.:通过最优路径森林的多标签半监督分类。信息科学。465, 86-104 (2018) ·Zbl 1441.68202号 ·doi:10.1016/j.ins.2018.06.067
[4] Andrade,F.,Carrera,E.V.:基于种子的交互式图像分割算法的监督评估。摘自:信号处理、图像和计算机视觉研讨会,第1-7页(2015年)
[5] Barreto,A.E.,Chowdhury,A.S.,Falcao,A.X.,Miranda,P.A.V.:IFT-SLIC:基于简单线性迭代聚类和图像森林变换的超像素生成的通用框架。收录于:图形、图案和图像会议(SIBGRAPI),第337-344页(2015)
[6] Belém,F.,Guimaráes,S.,Falcáo,A.X.:基于对象的迭代跨越森林的超像素分割。参加:第23届伊比利亚美洲模式识别大会(2018年,待发布)
[7] Boykov,Y.,Kolmogorov,V.:视觉能量最小化最小/最大流量算法的实验比较。IEEE传输。模式分析。马赫。智力。26(9), 1124-1137 (2004) ·Zbl 1005.68964号 ·doi:10.1109/TPAMI.2004.60
[8] Bragantini,J.、Martins,S.B.、Castelo-Fernandez,C.、Falcáo,A.X.:使用动态树进行基于图形的图像分割。参加:第23届伊比利亚美洲模式识别大会(2018年,待发布)
[9] Chen,J.,Li,Z.,Huang,B.:线性光谱聚类超像素。IEEE传输。图像处理。26(7),3317-3330(2017)·兹比尔1409.94067 ·doi:10.1109/TIP.2017.2651389
[10] Chen,L.C.、Papandreou,G.、Kokkinos,I.、Murphy,K.、Yuille,A.L.:DeepLab:使用深度卷积网络、atrous卷积和完全连接的CRF进行语义图像分割。IEEE传输。模式分析。马赫。智力。40(4), 834-848 (2018) ·doi:10.1109/TPAMI.2017.2699184
[11] Ciesielski,K.C.等:联合图切割和相对模糊连通图像分割算法。医学图像分析。17(8), 1046-1057 (2013) ·doi:10.1016/j.media.2013.06.006
[12] Ciesielski,K.C.等人:Dijkstra算法返回最优映射的路径值函数。数学杂志。成像视觉。60(7), 1-12 (2018) ·Zbl 1397.05187号 ·doi:10.1007/s10851-018-0793-1
[13] Ciesielski,K.,Udupa,J.,Falcáo,A.,Miranda,P.:图切割公式中的模糊连通性图像分割:线性时间算法和比较分析。数学杂志。成像视觉。44(3), 375-398 (2012) ·Zbl 1255.68222号 ·doi:10.1007/s10851-012-0333-3
[14] Condori,M.A.T.,Cappabianco,F.A.M.,Falcáo,A.X.,Miranda,P.A.V.:将差分图像森林变换扩展为基于根的路径代价函数,并应用于超像素分割。收录于:图形、图案和图像会议(SIBGRAPI),第7-14页(2017年)
[15] Couprie,C.、Grady,L.、Najman,L.和Talbot,H.:功率分水岭:统一的基于图形的优化框架。IEEE Trans。模式分析。马赫。智力。33(7), 1384-1399 (2011) ·doi:10.1109/TPAMI.2010.200
[16] Cousty,J.,Bertrand,G.,Najman,L.,Couprie,M.:分水岭切割:最小跨度森林和滴水原理。IEEE传输。模式分析。马赫。智力。31(8), 1362-1374 (2009) ·doi:10.1109/TPAMI.2008.173
[17] Falcáo,A.X.,Bergo,F.P.G.:具有差分图像森林变换的交互式体积分割。IEEE传输。医学成像23(9),1100-1108(2004)·doi:10.1109/TMI.2004.829335
[18] Falcáo,A.X.,Spina,T.V.,Martins,S.B.,Phellan,R.:使用物体形状模型的医学图像分割。摘自:《ECCOMAS专题论文集》(VipIMAGE)特邀讲座,第9-15页。CRC出版社(2015)
[19] Falcáo,A.X.,Stolfi,J.,de Lotufo,R.A.:图像森林变换:理论、算法和应用。IEEE传输。模式分析。马赫。智力。26(1), 19-29 (2004) ·doi:10.1109/TPAMI.2004.1261076
[20] Falcáo,A.X.、Udupa,J.K.、Samarasekera,S.、Sharma,S.,Hirsch,B.E.、Lotufo,R.A.:用户导向的图像分割范例:带电线路和带电车道。图表。模型图像处理。60(4), 233-260 (1998) ·doi:10.1006/gmip.1998.0475
[21] Galvóo,F.L.,Falcáo,A.X.,Chowdhury,A.S.:RISF:用于超像素分割的递归迭代生成森林。参加:图形、图案和图像会议(SIBGRAPI)。IEEE Xplore(2018,即将亮相)
[22] Gulshan,V.等人:用于交互式图像分割的大地测量星凸性。在:IEEE计算机视觉和模式识别会议,第3129-3136页(2010)
[23] Leon,L.M.C.,Miranda,P.A.V.:通过分层定向图像森林变换进行多对象分割。收录于:图形、图案和图像会议(SIBGRAPI),第79-86页(2017年)
[24] Long,J.,Shelhamer,E.,Darrell,T.:语义分割的完全卷积网络。摘自:IEEE计算机视觉和模式识别会议,第3431-3440页(2015)
[25] Maninis,K.K.等人:深度极限切割:从极限点到对象分割。In:IEEE计算机视觉和模式识别会议(2018年)
[26] Martins,S.B.、Spina,T.V.、Yasuda,C.、Falcáo,A.X.:一种多对象统计图谱,适用于异常医学图像分割中的可变形配准错误。收录:SPIE on Medical Imaging:Image Processing,p.101332G(2017)
[27] Miranda,P.A.V.,Falcáo,A.X.,Spina,T.V.:河床:一种基于最佳边界跟踪的新型用户导向图像分割方法。IEEE传输。图像处理。21(6), 3042-3052 (2012) ·Zbl 1373.94285号 ·doi:10.1109/TIP.2012.2188034
[28] Miranda,P.A.V.,Mansilla,L.A.C.:通过种子竞争进行定向图像森林变换分割。IEEE传输。图像处理。23(1), 389-398 (2014) ·Zbl 1374.94261号 ·doi:10.1109/TIP.2013.2288867
[29] Miranda,P.A.,Falcáo,A.X.:基于最优路径森林和图中最小割集的图像分割之间的联系。数学杂志。成像视觉。35(2), 128-142 (2009) ·Zbl 1490.68285号 ·doi:10.1007/s10851-009-0159-9
[30] Papa,J.、Falcáo,A.、de Albuquerque,V.、Tavares,J.:大型数据集的高效监督最优路径森林分类。模式识别。45(1), 512-520 (2012) ·doi:10.1016/j.patcog.2011.07.013
[31] Phellan,R.、Falcáo,A.X.、Udupa,J.K.:通过地图集和模糊对象模型进行医学图像分割:通过优化对象搜索和减少模型来提高效率。医学物理。43(1), 401-410 (2016) ·数字对象标识代码:10.1118/1.4938577
[32] Rauber,P.E.,Falcáo,A.X.,Spina,T.V.,Rezende,P.J.:通过图像森林变换对超像素图形进行交互式分割。In:图形、图案和图像会议(SIBGRAPI),第131-138页(2013)
[33] Rocha,L.,Cappabianco,F.,Falcáo,A.:数据聚类是一个最优路径森林问题,在图像分析中应用。国际成像系统杂志。技术。19(2), 50-68 (2009) ·doi:10.1002/ima.20191
[34] Rother,C.,Kolmogorov,V.,Blake,A.:抓取切割:使用迭代图切割的交互式前景提取。ACM事务处理。图表。23, 309-314 (2004) ·doi:10.1145/1015706.1015720
[35] Spina,T.V.,Miranda,P.A.V.,Falcáo,A.X.:智能理解图像分割中的用户交互。国际J模式识别。Artif公司。智力。26(02),1265001(2012)·doi:10.1142/S0218001412650016
[36] Spina,T.V.,Miranda,P.A.V.,Falcão,A.:使用实时标记范式进行交互式图像分割的混合方法。IEEE传输。图像处理。23(12), 5756-5769 (2014) ·Zbl 1374.94351号 ·doi:10.1109/TIP.2014.2367319
[37] Spina,T.V.,Stegmaier,J.,Falcáo,A.X.,Meyerowitz,E.,Cunha,A.:SEGMENT3D:一种基于网络的应用程序,用于对茎尖分生组织中使用的3D图像进行协作分割。摘自:国际生物医学成像研讨会(ISBI),第391-395页(2018年)
[38] Tavares,A.C.M.,Miranda,P.A.V.,Spina,T.V.,Falcáo,A.X.:基于超体素的解决方案,通过差分图像变换恢复交互式校正的分割。收录人:Angulo,J.、Velasco-Forero,S.、Meyer,F.(编辑)ISMM 2017。LNCS,第10225卷,第107-118页。施普林格,查姆(2017)。https://doi.org/10.1007/978-3-319-57240-6_9 ·Zbl 1479.94050号 ·doi:10.1007/978-3-319-57240-69
[39] Udupa,J.K.等人:医学图像中人体层次模糊建模、识别和解剖描绘。医学图像分析。18(5), 752-771 (2014) ·doi:10.1016/j.media.2014.04.003
[40] Vargas Muñoz,J.E.等人:超像素分割的迭代跨越森林框架。IEEE传输。图像处理。(2019年,即将上市·Zbl 1483.68477号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。