Two Approaches to Supervised Image Segmentation

要約

人間によってほぼ簡単に実行されますが、2D グレースケールまたはカラー画像を、その構成要素である関心領域 (背景、物体、物体の一部など) に関してセグメント化することは、関連する問題の結果として、科学技術における最大の課題の 1 つとなります。
次元の縮小 (3D から 2D)、ノイズ、反射、陰影、オクルージョン、その他多くの考えられる効果があります。
過去数十年にわたり、多数の興味深いアプローチがそれぞれ提案されてきましたが、より効果的で一般的なソリューションが得られたのは主に最近の深層学習の開発であり、現在このタイプの操作の基本的な比較参照を構成しています。
また、最近開発された、最小限の計算リソース (ハードウェアおよび/またはトレーニングと認識時間) を必要としながら、空間精度、安定性、堅牢性を組み合わせたパフォーマンスを促進できるマルチセットベースの方法論が説明されています。
後者の方法論の興味深い特徴は、主に、教師あり画像セグメンテーションへのマルチセット アプローチの基礎となる一致類似性インデックスによって可能になる、強化された選択性と感度、およびデータの摂動や外れ値に対する優れたロバスト性から得られます。
深層学習とマルチセットのアプローチを説明した後、本研究では、採用された特定の種類のデータとパラメーター構成に適用された場合のそれぞれの主な興味深い特徴を説明することを主な目的とした、それらの間の 2 つの比較実験を開発します。
深層学習アプローチは画像セグメンテーションを実行する可能性を確認しましたが、代替のマルチセット手法では、計算リソースをほとんど必要とせずに精度を高めることができました。

要約(オリジナル)

Though performed almost effortlessly by humans, segmenting 2D gray-scale or color images in terms of their constituent regions of interest (e.g.~background, objects or portions of objects) constitutes one of the greatest challenges in science and technology as a consequence of the involved dimensionality reduction(3D to 2D), noise, reflections, shades, and occlusions, among many other possible effects. While a large number of interesting approaches have been respectively suggested along the last decades, it was mainly with the more recent development of deep learning that more effective and general solutions have been obtained, currently constituting the basic comparison reference for this type of operation. Also developed recently, a multiset-based methodology has been described that is capable of encouraging performance that combines spatial accuracy, stability, and robustness while requiring minimal computational resources (hardware and/or training and recognition time). The interesting features of the latter methodology mostly follow from the enhanced selectivity and sensitivity, as well as good robustness to data perturbations and outliers, allowed by the coincidence similarity index on which the multiset approach to supervised image segmentation is based. After describing the deep learning and multiset approaches, the present work develops two comparison experiments between them which are primarily aimed at illustrating their respective main interesting features when applied to the adopted specific type of data and parameter configurations. While the deep learning approach confirmed its potential for performing image segmentation, the alternative multiset methodology allowed for encouraging accuracy while requiring little computational resources.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google