Two Approaches to Supervised Image Segmentation

要約

2次元のグレースケール画像やカラー画像を、関心領域（背景、物体、物体の一部など）にセグメンテーションすることは、人間にとってほとんど容易なことではあるが、次元の縮小（3Dから2D）、ノイズ、反射、陰影、オクルージョンなど、他の多くの可能性のある影響の結果として、科学技術における最大の課題の1つとなっている。過去数十年にわたり、多くの興味深い関連アプローチが提案されてきたが、より効果的で一般的なソリューションが得られたのは、主に最近のディープラーニングの発展のおかげであり、現在、この種の操作の基本的な比較基準を構成している。また、最近開発されたマルチセットベースの手法は、空間的な精度、安定性、ロバスト性を兼ね備えながら、画像セグメンテーションのパフォーマンスを向上させることが可能であり、計算リソース（ハードウェアおよび／または学習・認識時間）をほとんど必要としない。マルチセットニューロン手法の興味深い特徴は、教師あり画像セグメンテーションに対するマルチセットアプローチの基礎となる一致類似性指標によって可能となる、選択性と感度の向上、およびデータの摂動や外れ値に対する良好なロバスト性に起因する。ディープラーニングアプローチとマルチセットニューロンアプローチについて説明した後、本研究では、採用した特定のタイプのデータとパラメータ構成に適用した場合の、それぞれの主な興味深い特徴を説明することを主目的とした、2つの比較実験を展開する。ディープラーニングアプローチは、画像セグメンテーションを実行するための可能性を確認したが、代替のマルチセット手法は、少ない計算資源を必要としながら、精度を向上させることを可能にした。

要約(オリジナル)

Though performed almost effortlessly by humans, segmenting 2D gray-scale or color images in terms of 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 related approaches have been suggested along the last decades, it was mainly thanks to the 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 image segmentation performance while combining spatial accuracy, stability, and robustness while requiring little computational resources (hardware and/or training and recognition time). The interesting features of the multiset neurons 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 neurons 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 enhanced accuracy while requiring little computational resources.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL