Spatial/joint Space-Time Motion Segmentation Of Image Sequences By Level Set Pursuit
Notice bibliographique
Résumé
this paper is the following: Given a set of sparse point correspondences, how does one obtain a dense motion field and a motion-based segmentation of the image sequence ? We propose a novel solution to this problem by formulating it as pursuit in segmentation space. This segmentation is defined by level set evolution equations, allowing changes in segmentation topology [4]. The main novelty of our proposed algorithm is that the number of distinct motion regions and their parameters need not be known prior to segmentation and are determined by the segmentation itself. Furthermore, the algorithm we propose applies equally to (frame-by-frame) spatial motion-based segmentation and to (multiframe) joint space-time motion-based segmentation. This extends our prior work on motion-based image segmentation with level sets in both the spatial [3] and spatio-temporal domains [2] where the number of distinct motion regions as well as their precise motion parameters need to be computed through a complex clustering operation prior to segmentation. We formulate motion-based image segmentation as pursuit in the space of image segmentations, in analogy to classical matching pursuit, the basic idea consisting of iteratively segmenting the image by focusing on residual regions. The segmentation obtained by our algorithm is based on motion alone and does not use intensity boundaries as an auxiliary. We formulate our algorithm for the case of spatial motion segmentation and illustrate it on a real image sequence with natural motion; our proposed algorithm applies verbatim to the case of joint space-time motion segmentation with level sets, and we refer the reader to [2] for details of the latter. This work was supported by the Natural Sciences and Engineering Research Council of Canada unde...
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».