Parameter Selection for Graph Cut Based Image Segmentation
Notice bibliographique
Résumé
In recent years, the graph cut algorithm has been successfully applied to image segmentation because it offers numerically robust global minimum. In the graph cut framework, a parameter is often used to weight the importance of the different terms of the energy function. Usually, a fixed setting of parameters is given by the developers of the segmentation algorithm, and they are expected to give satisfactory segmentations for the images similar to those that were used to tune the parameters. But when given a different class of images, the results might not be satisfactory. In fact, there is no fixed choice of parameters that will work for all images. For each particular image, parameters must be tuned to achieve best results. The goal of this thesis is to develop a measure of segmentation quality based on different features of segmentation. Then we can run the graph cut algorithm for different values of the parameter and choose the one that gives segmentation of the highest quality. Segmentation evaluation is closely tied to the question of what constitutes a good segmentation. While evaluating segmentation results is an important task in itself, in this thesis, segmentation evaluation is a crucial task since it forms an integral part of the proposed parameter selection method. We investigate several measures of segmentation quality and our measure of segmentation quality is based on intensity, gradient, contour continuity, and texture features. We approach the problem of segmentation quality as a binary classification problem (good segmentation vs. bad segmentation), and train a classifier using the AdaBoost algorithm. AdaBoost, in addition to the class label, provides confidence estimates. A high positive value indicates that the classifier is very confident that is in the positive class (i.e. a good segmentation). Thus instead of just a binary decision, namely a good or a bad segmentation, we take the confidence value as the final measure of segmentation goodness. A new way to normalize feature weights for the AdaBoost based classifier is developed, which is particularly suitable for our framework. Our approach to feature normalization is uniquely appropriate for the parameter selection problem, and leads to a big improvement in performance. The leave- one-out cross-validation error rate is 4.4%, meaning the top quality segmentation chosen for an image is a bad segmentation in only 4.4% of cases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».