Анализ изображений и видео. Сегментация изображений

сегодня в 20:30

Сегодня мы публикуем восьмую лекцию из курса «Анализ изображений и видео», прочитанного Натальей Васильевой в петербургском Computer Science Center, который создан по совместной инициативе Школы анализа данных Яндекса, JetBrains и CS-клуба.

Всего в программе девять лекций, из которых уже были опубликованы:

1. Введение в курс «Анализ изображений и видео»;
2. Основы пространственной и частотной обработки изображений;
3. Морфологическая обработка изображений;
4. Построение признаков и сравнение изображений: глобальные признаки;
5. Построение признаков и сравнение изображений: локальные признаки;
6. Поиск по подобию. Поиск нечетких дубликатов;
7. Анализ изображений и видео. Классификация изображений и распознавание объектов.

Под катом вы найдете план новой лекции и слайды.

Что есть распознанный объект.

Что такое сегментация:

• Где используется сегментация;
• Подзадачи сегментации.

Возможные критерии «общности»:

• Таксономия методов сегментации;
• Критерии «общности». Цвет;
• Критерии «общности». Текстура;
• Критерии «общности». Расположение относительно контура;
• Критерии «общности». Перемещение, движение (motion);
• Критерии «общности». Глубина (depth);
• Критерии «общности». Глобальные.

Математические модели:

• Использование кластеризации;
• Кластеризация.

Метод k-средних. Основная идея:

• Метод k-средних (k-means). Алгоритм;
• Метод k-средних: шаг 1;
• Метод k-средних: шаг 2;
• Метод k-средних: шаг 3;
• Метод k-средних: шаг 4;
• Метод k-средних: шаг 5;
• Сегментация методом k-средних.

Добавление пространственной информации:

• k-Means: достоинства и недостатки;
• Mean-shift for image segmentation;
• Mean shift algorithm;
• Mean shift clustering/segmentation;
• Mean shift;
• Mean shift clustering;
• Mean shift segmentation results;
• More results;
• Mean shift: достоинства и недостатки;
• Probabilistic clustering;
• Expectation maximization (EM).

Иерархическая кластеризация:

• Модель для метрического пространства;
• Моделирование при помощи графов;
• Automatic graph cut;
• Segmentation by Graph Cuts;
• Min cut;
• But min cut is not always the best cut;
• Normalized Cut.

Примеры сегментации:

• Использование графов;
• Использование 2-D решетки;
• Математические модели;
• Методы сегментации «сверху-вниз»;
• Деформируемые контуры;
• Параметризация;
• Задание энергии контура;
• Оптимизация;
• Berkeley Segmentation DataSet [BSDS].

Только зарегистрированные пользователи могут оставлять комментарии. Войдите, пожалуйста.

This entry passed through the Full-Text RSS service - if this is your content and you're reading it on someone else's site, please read the FAQ at http://ift.tt/jcXqJW.