Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi

Hasan Fehmi ATEŞ (Işık Üniversitesi, Elektronik Mühendisliği Bölümü, İstanbul, Türkiye)
7 3

Proje Grubu: EEEAG Sayfa Sayısı: 66 Proje No: 115E307 Proje Bitiş Tarihi: 01.09.2017 Metin Dili: Türkçe İndeks Tarihi: 13-03-2020

Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi

Öz:
Süperpikseller görüntü bölütleme ve ayrıstırma problemlerinde yaygın olarak kullanılmaktadır. Sahne etiketlemede görüntü bir süperpiksel algoritması ile görsel olarak tutarlı küçük parçalara bölütlenmekte; daha sonra süperpikseller farklı sınıflara ayrıstırılmaktadır. Bu projede bölütleme ve etiketleme bütünsel bir bakıs açısı ile ele alınarak görüntü ayrıstırmanın farklı adımları için özgün yaklasımlar gelistirilmistir. Yapılan çalısmalar, süperpikseller için alternatif bölütleme, öznitelik çıkarımı, sınıf-olabilirlik hesaplama ve baglamsal modelleme yöntemleri gelistirilmesini kapsamaktadır. Projede öncelikle farklı bölütleme yöntem ve parametrelerinin etiketleme dogrulugu üzerindeki etkisi test edilmistir. Daha sonra süperpiksel özniteliklerinin seçimi ve kodlanması, sınıf etiketlerinin olabilirlik hesabının modellenmesi üzerinde durulmustur. Son olarak, alternatif bölütleme sonuçlarının kaynastırılması için genellestirilmis baglamsal modelleme yaklasımı gelisirilmistir. Önerilen yöntemler çesitli anlambilimsel görüntü veritabanlarında test edilmis ve eniyilenmistir. Ayrıca projenin son döneminde, yapılan çalısmalar uydu görüntülerinden arazi örtüsü sınıflandırma problemine uyarlanmıstır. Benzetim sonuçları, farklı bölütleme yöntemlerindeki tümler bilginin dogru sekilde birlestirilmesiyle görüntü etiketleme dogrulugunda ciddi artıslar elde edildigini ortaya koymustur
Anahtar Kelime: süperpiksel bölütleme etiketleme görüntü ayrıstırma

Konular: Mühendislik, Elektrik ve Elektronik
Erişim Türü: Erişime Açık
  • Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Süsstrunk, S. 2012. “SLIC superpixels compared to state-of-the-art superpixel methods”, IEEE Trans. Pattern Anal. Mach. Intell., 34 (11), 2274-2282.
  • 1- Kernel Likelihood Estimation for Superpixel Image Parsing (Bildiri - Uluslararası Bildiri - Poster Sunum),
  • Ak, K.E., Ateş, H.F. 2015. “Çok-hipotezli süperpikseller ile sahne bölütleme ve etiketleme”, IEEE Sinyal İşleme İletişim Uyg. Kurultayı (SİU 2015).
  • 2- Kernel Likelihood Estimation for Superpixel Image Parsing (Bildiri - Uluslararası Bildiri - Poster Sunum),
  • Aksoy, S. 2006. “Spatial techniques for image classification”, 491-513. Signal and Image Processing for Remote Sensing. Editör: Chen, C.H. Boca Raton: CRC Press.
  • 3- Kernel Kod-tablosu Kodlaması ile Sahne Etiketleme (Bildiri - Ulusal Bildiri - Sözlü Sunum),
  • Ates, H.F., Sunetci, S., Ak, K.E. 2016. “Kernel likelihood estimation for superpixel image parsing”, Proc. Int. Conf. Image Analysis Recog. (ICIAR 2016), 234-242.
  • 4- Improving Semantic Segmentation with Generalized Models of Local Context (Bildiri - Uluslararası Bildiri - Poster Sunum),
  • Ateş, H.F., Sünetci, S. 2017(a). “Kernel kod-tablosu kodlaması ile sahne etiketleme”, IEEE Sinyal İşleme İletişim Uyg. Kurultayı (SİU 2017).
  • Ates, H.F., Sunetci, S. 2017(b). “Improving semantic segmentation with generalized models of local context”, Proc. Int. Conf. Computer Analysis Images Patterns (CAIP 2017), 320–330.
  • Ates, H.F., Sunetci, S. 2017(c). “Multi-hypothesis contextual modeling for semantic segmentation”, Pattern Recog. Letters, gönderildi.
  • Audebert, N., Le Saux, B., Lefevre, S. 2016. “Semantic segmentation of earth observation data using multimodal and multi-scale deep networks”, Asian Conf. Computer Vision (ACCV 2016), 180-196.
  • Boykov, Y., Kolmogorov, V. 2004. “An experimental comparison of min-cut/max-flow algorithms for energy minimization in vision”, IEEE Trans. Pattern Anal. Mach. Intell, 26 (9), 1124-1137.
  • Budnik, M, Gutierrez-Gomez, E.L., Safadi, B., Quénot, G. 2015. “Learned features versus engineered features for semantic video indexing”, Proc. 13th Int. Workshop Content-Based Multimedia Indexing (CBMI), 1-6.
  • Chatfield, K., Lempitsky, V., Vedaldi, A., Zisserman, A. 2012. “The devil is in the details: an evaluation of recent feature encoding methods”, Proc. British Machine Vision Conf., 76.1- 76.12.
  • Chatfield, K., Simonyan, K., Vedaldi, A., Zisserman, A. 2014. “Return of the devil in the details: delving deep into convolutional nets”, Proc. British Machine Vision Conf.
  • Cheng, F., He, X., Zhang, H. 2017. “Stacked learning to search for scene labeling”, IEEE Trans. Image Process. 26 (4), 1887–1898.
  • Deng, J., Dong, W., vd. 2009. “Imagenet: a large-scale hierarchical image database”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 248-255.
  • Duin, R.P.W., 2002. “The combining classifier: to train or not to train?”, Proc. 16th Int. Conf. Pattern Recog. (ICPR), 2, 765-770.
  • Eigen, D., Fergus, R. 2012. “Nonparametric image parsing using adaptive neighbor sets”, Proc. IEEE Conf. Computer Vision Pattern Recog. (CVPR), 2799-2806.
  • Farabet, C., Couprie, C., Najman, L., LeCun, Y. 2013. “Learning hierarchical features for scene labeling”, IEEE Trans. Pattern Anal. Mach. Intell. 35(8), 1915–1929.
  • Felzenszwalb, P.F., Huttenlocher, D.P. 2004. “Efficient graph-based image segmentation”, Int. Journal Computer Vision, 59 (2), 167-181.
  • Fulkerson, B., Vedaldi, A., Soatto, S. 2009. “Class segmentation and object localization with superpixel neighborhoods”, Proc. IEEE 12th Int. Conf. Computer Vision (ICCV), 670-677.
  • Gadhiraju, S.V., Sahbi, H., Banerjee, B., Buddhiraju, K.M. 2014. "Supervised change detection in satellite imagery using super pixels and relevance feedback", GEOMATICA, 68 (1), 5-14.
  • van Gemert, J.C., Geusebroek, J.M., Veenman, C.J., Smeulders, A.W.M. 2008. “Kernel codebooks for scene categorization”, Proc. European Conf. Computer Vision, 3, 696-709. George, M. 2015. “Image parsing with a wide range of classes and scene-level context”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 3622-3630.
  • Gerke, M. 2014. “Use of the stair vision library within the ISPRS 2D semantic labeling benchmark (Vaihingen)”, Teknik Rapor.
  • Gould, S., Fulton, R., Koller, D. 2009. “Decomposing a scene into geometric and semantically consistent regions”, Proc. IEEE 12th Int. Conf. Computer Vision (ICCV), 1-8.
  • Hoiem, D., Efros, A., Hebert, M. 2007. “Recovering surface layout from an image”, Int. Journal Computer Vision, 75, 151-172.
  • Huang, Y., Wu, Z., Wang, L., Tan, T. 2014. “Feature coding in image classification: a comprehensive study”, IEEE Trans. Pattern Anal. Mach. Intell., 36 (3), 493-506.
  • ISPRS (International Society for Photogrammetry and Remote Sensing), “2D Semantic Labeling Contest”, http://www2.isprs.org/commissions/comm3/wg4/semantic-labeling.html Son erişim tarihi: 25 Ekim 2017.
  • Jain, A., Gupta, A., Davis, L. 2010. “Learning what and how of contextual models for scene labeling”, Proc. European Conf. Computer Vision, 199–212.
  • Kluckner, S., Donoser, M., Bischof, H. 2010. "Super-pixel class segmentation in large-scale aerial imagery", Proc. Annual Workshop Austrian Assoc. Pattern Recog., 131-138.
  • Krizhevsky, A., Sutskever, I., Hinton, G.E. 2012. “Imagenet classification with deep convolutional neural networks”, Advances in Neural Info. Process. Systems, 25, 1097–1105.
  • Levinshtein, A., Stere, A., Kutulakos, K.N., Fleet, D.J., Dickinson, S.J., Siddiqi, K. 2009. “TurboPixels: fast superpixels using geometric flows”, IEEE Trans. Pattern Anal. Mach. Intell., 31 (12), 2290-2297.
  • Liang, M., Hu, X., Zhang, B. 2015. “Convolutional neural networks with intralayer recurrent connections for scene labeling”, Advances in Neural Info. Process. Systems, 937–945.
  • Liang-Chieh, C., Papandreou, G., vd. 2017. “Deeplab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs”, IEEE Trans. Pattern Anal. Mach. Intell.
  • Liu, C., Yuen, J., Torralba, A., Sivic, J., Freeman, W.T. 2008. “SIFT Flow: dense correspondence across difference scenes”, Proc. European Conf. Computer Vision (ECCV‘08), 5304, 28-42.
  • Liu, W., Rabinovich, A., Berg., A. 2016. “Parsenet: looking wider to see better”, Proc. Int. Conf. Learning Represent. (ICLR) Workshop.
  • Lowe, D.G. 1999. “Object recognition from local scale-invariant features”, Proc. IEEE 7th Int. Conf. Computer Vision, 2, 1150-1157.
  • Marmanis, D., Wegner, J.D., vd. 2016. “Semantic segmentation of aerial images with an ensemble of CNNs”, ISPRS Annals Photogrammetry, Remote Sensing Spatial Info. Sciences, 473-480.
  • Ming-Yu, L., Tuzel, O., Ramalingam, S., Chellappa, R. 2011. “Entropy rate superpixel segmentation”, Proc. IEEE Conf. Computer Vision Pattern Recog. (CVPR), 2097-2104.
  • Mostajabi, M., Yadollahpour, P., Shakhnarovich, G. 2015. “Feed-forward semantic segmentation with zoom-out features”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 3376-3385.
  • Myeong, H., Lee, K., 2013. “Tensor-based high-order semantic relation transfer for semantic scene segmentation”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 3073–3080.
  • Nguyen, T., Lu, C., Sepulveda, J., Yan, S. 2015. “Adaptive nonparametric image parsing”, IEEE Trans. Circuits Syst. Video Tech., 25(10), 1565–1575.
  • Nguyen, T.V., Liu, L., Nguyen, K. 2016. “Exploiting generic multi-level convolutional neural networks for scene understanding”, Proc. 14th Int. Conf. Control, Automation, Robotics and Vision (ICARCV), 1–6.
  • Oliva, A.,Torralba, A. 2006. “Building the gist of a scene: The role of global image features in recognition'', Progress in Brain Research, 155, 23-26.
  • Park, E., Han, E., Berg, T.L., Berg, A.C. 2016. “Combining multiple sources of knowledge in deep CNNs for action recognition”, Proc. IEEE Winter Conf. Appl. Computer Vision (WACV), 1-8.
  • Perronnin, F., Sánchez, J., Mensink, T. 2010. “Improving the fisher kernel for large-scale image classification”, Proc. European Conf. Computer Vision (ECCV), 6314, 143-156.
  • Razzaghi, P., Samavi, S., 2014. “A new fast approach to nonparametric scene parsing”, Pattern Recognition Letters, 42, 56-64.
  • van de Sande, K.E.A., Gevers, T., Snoek, C.G.M. 2010. “Evaluating color descriptors for object and scene recognition”, IEEE Trans. Pattern Anal. Mach. Intell., 32 (9), 1582-1596.
  • Sharma, A., Tuzel, O., Liu, M. 2014. “Recursive context propagation network for semantic scene labeling”, Advances in Neural Info. Process. Systems, 27, 2447-2455.
  • Shelhamer, E., Long, J., Darrell, T. 2016. “Fully convolutional networks for semantic segmentation”, IEEE Trans. Pattern Anal. Mach. Intell., 39 (4), 640–651.
  • Shimazaki, H., Shinomoto, S. 2010. “Kernel bandwidth optimization in spike rate estimation”, Journal Comp. Neuroscience, 29, 171-182.
  • Shotton, J., Johnson, M., Cipolla, R. 2008. “Semantic texton forests for image categorization and segmentation”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 1-8.
  • Shuai, B., Zuo, Z., Wang, B., Wang, G. 2016(a). “DAG-recurrent neural networks for scene labeling”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 3620–3629.
  • Shuai, B., Zuo, Z., Wang, G., Wang, B. 2016(b). “Scene parsing with integration of parametric and non-parametric models”, IEEE Trans. Image Process., 25 (5), 2379-2391.
  • Stefanski, J., Mack, B., Waske, B. 2013. "Optimization of object-based image analysis with random forests for land cover mapping", IEEE J. Sel. Topics Appl. Earth Observ. in Remote Sens., 6 (6), 2492-2504.
  • Tighe, J., Lazebnik, S. 2010. “SuperParsing: scalable nonparametric image parsing with superpixels”, Proc. European Conf. Computer Vision (ECCV), 6315, 352-365.
  • Tighe, J., Lazebnik, S. 2013(a). “Superparsing: scalable nonparametric image parsing with superpixels”, Int. Journal Computer Vision, 101 (2), 329-349.
  • Tighe, J., Lazebnik, S. 2013(b). "Finding things: image parsing with regions and perexemplar detectors”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 3001-3008.
  • Tighe, J., Niethammer, M., Lazebnik, S. 2015. “Scene parsing with object instance inference using regions and per-exemplar detectors”, Int. Journal Computer Vision, 112 (2), 150–171.
  • Torralba, A., Fergus, R., Freeman, W.T. 2008. “80 million tiny images: a large dataset for non-parametric object and scene recognition”, IEEE Trans. Pattern Anal. Mach. Intell., 30 (11), 1958-1970.
  • Vedaldi, A., Soatto, S. 2008. “Quick shift and kernel methods for mode seeking”, Proc. European Conf. Computer Vision (ECCV 2008), 5305, 705-718.
  • Wang, J., Yang, J., vd. 2010. “Locality-constrained linear coding for image classification”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 3360-3367.
  • Woods, K., Bowyer, K., Kegelmeyer, W.P. 1996. “Combination of multiple classifiers using local accuracy estimates”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 391-396.
  • Wu, Z., Hu Z., Fan, Q. 2012. "Superpixel-based unsupervised change detection using multidimensional change vector analysis and SVM-based classification", ISPRS Annals Photogrammetry, Remote Sensing Spatial Info. Sciences, I-7, 257-262.
  • Yang, J., Price, B., Cohen, S., Yang, M.-H. 2014. “Context driven scene parsing with attention to rare classes”, Proc. IEEE Conf. Comp. Vision Pattern Recog. (CVPR), 3294– 3301.
  • Zheng, S., Jayasumana, S., vd. 2015. “Conditional random fields as recurrent neural networks”, Proc. IEEE Int. Conf. Computer Vision (ICCV), 1529–1537.
  • Zhou, X., Yu, K., Zhang, T., Huang, T.S. 2010. “Image classification using super-vector coding of local image descriptors”, Proc. European Conf. Computer Vision (ECCV), 141-154.
APA ATEŞ H (2017). Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. , 1 - 66.
Chicago ATEŞ Hasan Fehmi Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. (2017): 1 - 66.
MLA ATEŞ Hasan Fehmi Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. , 2017, ss.1 - 66.
AMA ATEŞ H Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. . 2017; 1 - 66.
Vancouver ATEŞ H Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. . 2017; 1 - 66.
IEEE ATEŞ H "Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi." , ss.1 - 66, 2017.
ISNAD ATEŞ, Hasan Fehmi. "Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi". (2017), 1-66.
APA ATEŞ H (2017). Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. , 1 - 66.
Chicago ATEŞ Hasan Fehmi Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. (2017): 1 - 66.
MLA ATEŞ Hasan Fehmi Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. , 2017, ss.1 - 66.
AMA ATEŞ H Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. . 2017; 1 - 66.
Vancouver ATEŞ H Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi. . 2017; 1 - 66.
IEEE ATEŞ H "Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi." , ss.1 - 66, 2017.
ISNAD ATEŞ, Hasan Fehmi. "Görüntü Ayrıştırma için Özgün Süperpiksel Bölütleme Algoritmaları Geliştirilmesi". (2017), 1-66.
Sayfa Oluşturulma Tarihi
24-04-2024 1:40

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları