Arkadiusz Tomczyk arkadiusz.tomczyk@p.lodz.pl 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 Obrazowanie po wstrzyknięciu kontrastu Analiza zmian kształtu komór serca i przegrody międzykomorowej Informacja zawarta na obrazie nie wystarcza do poprawnej jego segmentacji
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)
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)
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
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
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
Konsekwencje Przenoszenie doświadczeń z uczenia maszynowego do aktywnych konturów Nowe modele konturów Aparat teoretyczny (wymiar VC) Przeniesienie wybranych koncepcji (boosting)
Potencjałowe aktywne kontury
RBF RBF
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. 491-516, 2010
Konsekwencje Skoro istniejące metody klasyfikacji są zwykle niezależne od rodzaju klasyfikowanych obiektów to również na obrazie jedynymi klasyfikowanymi obiektami nie muszą być piksele
Hierarchiczne aktywne podziały
Sekwencje obrazów Hierarchiczne aktywne podziały mogą być również stosowane w przypadku sekwencji obrazów
Wiedza We wszystkich omawianych przykładach kluczowym elementem jest wiedza użyta podczas ewolucji konturu czy też nauki klasyfikatora
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
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
Teoria widzenia David Marr, Shimon Ullman, Tomaso Poggio, Vision, The MIT Press, 2010
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
David Marr, Shimon Ullman, Tomaso Poggio, Vision, The MIT Press, 2010
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