新技术提高了计算机视觉技术的准确性
即时发布
Researchers from North Carolina State University have developed a new technique that improves the ability of computer vision technologies to better identify and separate objects in an image, a process called segmentation.
图像处理和计算机视觉对于多种应用是重要的，从自主车辆到检测医学成像中的异常。
计算机视觉技术在图像中使用算法或概述对象的算法。例如，将行人的轮廓与繁忙的街道的背景分开。
这些算法依赖于定义的参数 - 编程值 - 段图像。例如，如果存在与特定阈值交叉的颜色的偏移，则计算机视觉程序将其将其解释为两个对象之间的划分线。具体阈值是算法的参数之一。
但这里有挑战。甚至参数的小型变化也可能导致非常不同的计算机视觉结果。例如，如果一个人穿越街道进出阴暗的区域，那将影响计算机看到的颜色 - 而计算机可以“看到”那个人消失和重新出现，或者将人物和阴影解释为单个，诸如汽车等大物体。
“某些算法参数可能比其他某一情况更好地工作，并且我们想知道如何将多个参数和算法组合以通过计算机视觉程序创建更好的图像分段，”电气计算机助理教授Edgar Lobaton说关于工作的纸质州和高级作者的工程。
洛比塔和博士。学生Qian GE开发了一种从多个算法编译分段数据并聚合它们的技术，创建新版本的图像。然后根据任何给定的段在所有原始输入算法上持久地进行这种新图像再次分段。
“Visually, the results of this technique look better than any given algorithm on its own,” Lobaton says. “However, the nature of this work doesn’t line up with the existing metrics for measuring computer vision accuracy. So we need to develop a new means of assessing computer vision accuracy – that’s a future project for us.”
Lobaton指出,新的图像分割技术que can be used in real time, processing 30 frames per second. This is due, in part, to the fact that most of the computational steps can be run in parallel, rather than sequentially.
本文，“通过拓扑持久性的基于共识的图像分割”，将于7月1日在内夫拉斯维加斯的计算机愿景和模式识别展示。该工作是以国家科学基金会授予CNS的支持1239323。
- 船员 -
编辑注：这项研究摘要跟随。
“通过拓扑持久性的基于共识的图像分割”
作者：北卡罗来纳州立大学Qian Ge和Edgar Lobaton
呈现：2016年7月1日，IEEE计算机视觉和模式识别会议
抽象的：图像分割是图像处理和计算机视觉中最重要的低级操作之一。由于图像之间的变化，因此具有固定的一组参数的单个算法不太可能进行固定参数。然而，可以观察到，通常比最先进的分割结果的输出中的其他边界更始终如一地检测所需的分割边界。在本文中，我们提出了一种新方法来捕获来自不同算法参数产生的一组分段的信息共识。基于我们的概率图像分割模型估计存在的分割曲线的概率。构造连接概率图，通过将拓扑持久性应用于概率图来提取持久段。最后，通过检测确保某些分割曲线获得稳健的分割。该实验证明了我们的算法能够始终如一地捕获分割集中存在的曲线。
