Ανίχνευση Συμμετρίας Βασισμένη Στην Εκμάθηση Μηχανών

Abstract

Σε αυτή τη διπλωματική εργασία εξερευνούμε το πρόβλημα της ανίχνευσηςαξονων συμμετριας και κορυφογραμμων (ridges) σε εικονες, από μία νέα σκοπιά,χρησιμοποιώντας επιβλεπόμενη μάθηση (supervised learning). Εφόσον δεν υπ-άρχει κάποιο σύνολο δεδομένων επαλήθευσης (ground truth) για κορυφογραμ-μές, αρχικά κατασκευάζουμε ένα για προκαταρκτική χρήση, βασιζόμενοι στοσύνολο δεδομένων κατάτμησης του Berkeley (Berkeley segmentation dataset-BSDS300). Ακολουθώντας τα βήματα των Martin et al. για ανίχνευση συνόρων,χρησιμοποιούμε διαφορετικούς συνδυασμούς χαρακτηριστικών φωτεινότητας,χρώματος και υφής, τα οποία συλλέγονται σε πολλαπλές κλίμακες και κατευ-θύνσεις, για την εκμάθηση του ανιχνευτή κορυφογραμμων. Οι αλγοριθμοι εκ-μάθησης που χρησιμοποιούμε είναι λογιστική παλινδρόμηση (logistic regression)και εκμάθηση από πολλά στιγμιότυπα (multiple instance learning, ενώ το σύνολοδεδομένων εκπαίδευσης αποτελείται από φυσικές εικόνες του BSDS300.Για την αξιολόγηση της μεθόδου μας, χρησιμοποιούμε καμπύλες ακρίβειας-επανάκλησης (precision-recall curves). Επιπρόσθετα, παρουσιάζονται ποιοτικάκαι ποσοτικά αποτελέσματα για τους διαφορετικούς αλγορίθμους και συνδυασ-μούς χαρακτηριστικών που χρησιμοποιούνται. Συγκρίνουμε επίσης τα αποτελέσ-ματά μας με αυτά που δίνει η εφαρμογή ανίχνευσης κορυφογραμμών με χρήσητης μεθόδου με αυτόματη επιλογή κλίμακας, του Lindeberg, και παρατηρούμεότι η προσέγγισή μας αποδίδει καλύτερα. Τέλος, συζητούμε πιθανές εφαρμογέςυψηλότερου επιπέδου, όπου η μέθοδός μας θα μπορούσε να αποδειχθεί χρήσιμηως ένα αρχικό βήμα προεργασίας.