company_banner

Анализ изображений и видео. Сегментация изображений

    Сегодня мы публикуем восьмую лекцию из курса «Анализ изображений и видео», прочитанного Натальей Васильевой в петербургском Computer Science Center, который создан по совместной инициативе Школы анализа данных Яндекса, JetBrains и CS-клуба.



    Всего в программе девять лекций, из которых уже были опубликованы:
    1. Введение в курс «Анализ изображений и видео»;
    2. Основы пространственной и частотной обработки изображений;
    3. Морфологическая обработка изображений;
    4. Построение признаков и сравнение изображений: глобальные признаки;
    5. Построение признаков и сравнение изображений: локальные признаки;
    6. Поиск по подобию. Поиск нечетких дубликатов;
    7. Анализ изображений и видео. Классификация изображений и распознавание объектов.

    Под катом вы найдете план новой лекции и слайды.



    Что есть распознанный объект.

    Что такое сегментация:
    • Где используется сегментация;
    • Подзадачи сегментации.

    Возможные критерии «общности»:
    • Таксономия методов сегментации;
    • Критерии «общности». Цвет;
    • Критерии «общности». Текстура;
    • Критерии «общности». Расположение относительно контура;
    • Критерии «общности». Перемещение, движение (motion);
    • Критерии «общности». Глубина (depth);
    • Критерии «общности». Глобальные.

    Математические модели:
    • Использование кластеризации;
    • Кластеризация.

    Метод k-средних. Основная идея:
    • Метод k-средних (k-means). Алгоритм;
    • Метод k-средних: шаг 1;
    • Метод k-средних: шаг 2;
    • Метод k-средних: шаг 3;
    • Метод k-средних: шаг 4;
    • Метод k-средних: шаг 5;
    • Сегментация методом k-средних.

    Добавление пространственной информации:
    • k-Means: достоинства и недостатки;
    • Mean-shift for image segmentation;
    • Mean shift algorithm;
    • Mean shift clustering/segmentation;
    • Mean shift;
    • Mean shift clustering;
    • Mean shift segmentation results;
    • More results;
    • Mean shift: достоинства и недостатки;
    • Probabilistic clustering;
    • Expectation maximization (EM).

    Иерархическая кластеризация:
    • Модель для метрического пространства;
    • Моделирование при помощи графов;
    • Automatic graph cut;
    • Segmentation by Graph Cuts;
    • Min cut;
    • But min cut is not always the best cut;
    • Normalized Cut.

    Примеры сегментации:
    • Использование графов;
    • Использование 2-D решетки;
    • Математические модели;
    • Методы сегментации «сверху-вниз»;
    • Деформируемые контуры;
    • Параметризация;
    • Задание энергии контура;
    • Оптимизация;
    • Berkeley Segmentation DataSet [BSDS].
    • +27
    • 22,8k
    • 3
    Яндекс
    562,00
    Как мы делаем Яндекс
    Поделиться публикацией

    Комментарии 3

      +1
      i-just-wanted-to-learn-how-to-program-video-games :'(
        0
        Интересно, но предположу, что многое было реализовано при появлении первых каптчей.
        Наверное, интересна тема, связанная с распознаванием изображений и шифрованием, а также хранением зашифрованных данных внутри изображения или видео.
          +1
          Всего в программе девять лекций

          Уже 20 дней прошло с момента выкладывания 8-й лекции. Когда ждать 9-ю?

          Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

          Самое читаемое