В работе представлены результаты исследований подходов пороговой бинаризации графических изображений.
Сегментация изображений с использованием древовидной аппроксимации кластеров в многомерном признаковом пространстве
В данной работе рассматриваются модели формы объектов на изображении: бинарная и многоклассовая модели Больцмана. Предлагается новый алгоритм обучения многоклассовой модели формы Больцмана, для применения которого достаточно неполной разметки данных, а именно: бинарной разметки и задания семян, указывающих приближенное расположение частей объектов.
The Shape Boltzmann Machine (SBM) and its multilabel version MSBM have been recently introduced as deep generative models that capture the variations of an object shape. While being more flexible MSBM requires datasets with labeled parts of the objects for training. In the paper we present an algorithm for training MSBM using binary masks of objects and the seeds which approximately correspond to the locations of objects parts. The latter can be obtained from part-based detectors in an unsupervised manner. We derive a latent variable model and an EM-like training procedure for adjusting the weights of MSBM using a deep learning framework. We show that the model trained by our method outperforms SBM in the tasks related to binary shapes and is very close to the original MSBM in terms of quality of multilabel shapes.