Variational multichannel multiclass segmentation using unsupervised lifting with CNNs

要約

変分エネルギー関数と深層畳み込みニューラル ネットワークを組み合わせた、教師なし画像セグメンテーション アプローチを提案します。
変分部分は、最新のマルチチャネル多相 Chan-Vese モデルに基づいており、複数の入力画像から有用な情報を同時に抽出できます。
特定の画像を $K$ の異なる領域に分割する柔軟なマルチクラス セグメンテーション手法を実装します。
画像の事前分解をターゲットとした畳み込みニューラル ネットワーク (CNN) を使用します。
その後、セグメンテーション関数を最小化することにより、完全に教師なしの方法で最終的なセグメンテーションが得られます。
セグメンテーションの開始点として機能する有益な特徴マップの抽出に特に重点が置かれます。
初期の結果は、提案された方法がテクスチャ画像や医療画像などのさまざまなタイプの画像の異なる領域を分解およびセグメント化でき、そのパフォーマンスを別の多段階セグメンテーション方法と比較できることを示しています。

要約(オリジナル)

We propose an unsupervised image segmentation approach, that combines a variational energy functional and deep convolutional neural networks. The variational part is based on a recent multichannel multiphase Chan-Vese model, which is capable to extract useful information from multiple input images simultaneously. We implement a flexible multiclass segmentation method that divides a given image into $K$ different regions. We use convolutional neural networks (CNNs) targeting a pre-decomposition of the image. By subsequently minimising the segmentation functional, the final segmentation is obtained in a fully unsupervised manner. Special emphasis is given to the extraction of informative feature maps serving as a starting point for the segmentation. The initial results indicate that the proposed method is able to decompose and segment the different regions of various types of images, such as texture and medical images and compare its performance with another multiphase segmentation method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google