Kognitywne hierarchiczne aktywne podziały. Arkadiusz Tomczyk.

Wielkość: px

Rozpocząć pokaz od strony:

Download "Kognitywne hierarchiczne aktywne podziały. Arkadiusz Tomczyk."

Radosław Karol Czajka
6 lat temu
Przeglądów:

1 Arkadiusz Tomczyk projekt finansowany przez: Narodowe Centrum Nauki numer projektu: 2012/05/D/ST6/03091

Przykładowy problem Diagnostyka zatorowości płucnej Obrazowanie CT sprzężone z aparatem do EKG (sekwencja wideo 3D) Rekonstrukcja przekrojów wzdłuż długiej osi serca

2 Przykładowy problem Diagnostyka zatorowości płucnej Obrazowanie CT sprzężone z aparatem do EKG (sekwencja wideo 3D) Rekonstrukcja przekrojów wzdłuż długiej osi serca Obrazowanie po wstrzyknięciu kontrastu Analiza zmian kształtu komór serca i przegrody międzykomorowej Informacja zawarta na obrazie nie wystarcza do poprawnej jego segmentacji

3 Aktywne kontury Snakes (Kass, Witkin, Terzopoulos), siły nacisku (Cohen), siły obszaru (Ivins, Porrill), GVF (Xu, Prince), programowanie dynamiczne (Amini, Weymouth, Jain), zmiany topologii (McInerney, Delignette, Motagnat) Geometryczne aktywne kontury (Malladi, Sethian, Vemuri, Caselles, Catte, Chan, Vese), zbiory poziomicowe (Osher, Sethian), geodezyjne aktywne kontury (Caselles, Kimmel, Sapiro, Yezzi, Kichenassamy, Kumar, Olver, Tannenbaum), geodezyjne aktywne obszary (Paragios, Deriche)

4 Aktywne kontury Sparametryzowany model konturu Funkcja energii oceniająca kontur Metoda ewolucji poszukująca optymalnego konturu Aktywne modele kształtu (Cootes, Taylor) Łańcuchy Browna (Grzeszczuk, Levin) Akwtywne promienie (Denzler, Nieman)

5 Kontur Kontur wskazuje, które fragmenty obrazu należ traktować jako obiekt, a które jako tło Zadany model konturu nie musi pozwalać na opisanie dowolnego podziału obrazu Podział obrazu to klasyfikacja poszczególnych pikseli, a zatem kontur to klasyfikator

8 Klasyczne podejście do klasyfikacji pikseli wymaga zdefiniowania cech je opisujących co stanowi w praktyce istotny problem Iteracyjne uczenie klasyfikatora generuje w każdej iteracji kontur na obrazie, a co za tym idzie odpowiada ewolucji konturu

9 W aktywnych konturach ocena klasyfikatora nie opiera się o zbiór treningowy lecz o lokalną lub globalną ocenę całego poetykietowania elementów obrazu Wymaga to odpowiednich metod optymalizacji

10 Konsekwencje Przenoszenie doświadczeń z uczenia maszynowego do aktywnych konturów Nowe modele konturów Aparat teoretyczny (wymiar VC) Przeniesienie wybranych koncepcji (boosting)

11 Potencjałowe aktywne kontury

12 RBF RBF

klasyfikatorów Kush R. Varshney, Alan S.

13 Konsekwencje Przenoszenie doświadczeń z aktywnych konturów do uczenia maszynowego Użycie wiedzy dodatkowej (SVM, regularyzacja) Nowe modele klasyfikatorów Kush R. Varshney, Alan S. Willsky, Classification Using Geometric Level Sets, Journal of Machine Learning Research, vol. 11, pp , 2010

14 Konsekwencje Skoro istniejące metody klasyfikacji są zwykle niezależne od rodzaju klasyfikowanych obiektów to również na obrazie jedynymi klasyfikowanymi obiektami nie muszą być piksele

15 Hierarchiczne aktywne podziały

16 Sekwencje obrazów Hierarchiczne aktywne podziały mogą być również stosowane w przypadku sekwencji obrazów

17 Wiedza We wszystkich omawianych przykładach kluczowym elementem jest wiedza użyta podczas ewolucji konturu czy też nauki klasyfikatora

18 John Frisby, James Stone, Seeing: The Computational Approach to Biological Vision, The MIT Press, 2010 David Marr, Shimon Ullman, Tomaso Poggio, Vision, The MIT Press, 2010

19 Akwizycja wiedzy Często trudno jest zdefiniować funkcję energii w postaci formuły matematycznej Uczenie maszynowe może pozwolić na jej zamodelowanie w oparciu o dostarczoną wiedzę. Akwizycja takiej wiedzy od ekspertów nie jest jednak prosta Zbiór przykładów Opis w języku naturalnym

20 Teoria widzenia David Marr, Shimon Ullman, Tomaso Poggio, Vision, The MIT Press, 2010

21 Omawiana teoria posiada wiele punktów wskpólnych z kognitywnymi hierarchicznymi aktywnymi podziałami i może być z nimi łączona Zakłada ona jednak, że nie wiemy czego szukamy w obserwowanym obrazie przez co posiadana wiedza jest włączana bardzo późno w proces rozpoznawania Inspirowana jest biologicznymi obserwacjami David Marr, Shimon Ullman, Tomaso Poggio, Vision, The MIT Press, 2010

22 David Marr, Shimon Ullman, Tomaso Poggio, Vision, The MIT Press, 2010

24 Warsztat Narzędzie do akwizycji wiedzy eksperckiej, głównie oznaczania obrazów, może być jednak zastosowane do innych danych Zbiór zadań, na których konkretne techniki będą mogły porównywać swoje wyniki Serwer obliczeniowy będzie umożliwiał na na zdalne uruchamianie obliczeń Narzędzie do zlecania obliczeń oraz obserwacji uzyskanych wyników Możliwość porównywania rozwiążań nie tylko na tych samych danych lecz również za pomocą identycznych miar Dziękuję za uwagę

Podobne dokumenty

Widzenie komputerowe (computer vision)

Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja