Сегодня мы публикуем восьмую лекцию из курса «Анализ изображений и видео», прочитанного Натальей Васильевой в петербургском Computer Science Center, который создан по совместной инициативе Школы анализа данных Яндекса, JetBrains и CS-клуба.



Всего в программе девять лекций, из которых уже были опубликованы:
  1. Введение в курс «Анализ изображений и видео»;
  2. Основы пространственнои? и частотнои? обработки изображении?;
  3. Морфологическая обработка изображений;
  4. Построение признаков и сравнение изображений: глобальные признаки;
  5. Построение признаков и сравнение изображений: локальные признаки;
  6. Поиск по подобию. Поиск нечетких дубликатов;
  7. Анализ изображений и видео. Классификация изображений и распознавание объектов.

Под катом вы найдете план новой лекции и слайды.



Что есть распознанныи? объект.

Что такое сегментация:
  • Где используется сегментация;
  • Подзадачи сегментации.

Возможные критерии «общности»:
  • Таксономия методов сегментации;
  • Критерии «общности». Цвет;
  • Критерии «общности». Текстура;
  • Критерии «общности». Расположение относительно контура;
  • Критерии «общности». Перемещение, движение (motion);
  • Критерии «общности». Глубина (depth);
  • Критерии «общности». Глобальные.

Математические модели:
  • Использование кластеризации;
  • Кластеризация.

Метод k-средних. Основная идея:
  • Метод k-средних (k-means). Алгоритм;
  • Метод k-средних: шаг 1;
  • Метод k-средних: шаг 2;
  • Метод k-средних: шаг 3;
  • Метод k-средних: шаг 4;
  • Метод k-средних: шаг 5;
  • Сегментация методом k-средних.

Добавление пространственнои? информации:
  • k-Means: достоинства и недостатки;
  • Mean-shift for image segmentation;
  • Mean shift algorithm;
  • Mean shift clustering/segmentation;
  • Mean shift;
  • Mean shift clustering;
  • Mean shift segmentation results;
  • More results;
  • Mean shift: достоинства и недостатки;
  • Probabilistic clustering;
  • Expectation maximization (EM).

Иерархическая кластеризация:
  • Модель для метрического пространства;
  • Моделирование при помощи графов;
  • Automatic graph cut;
  • Segmentation by Graph Cuts;
  • Min cut;
  • But min cut is not always the best cut;
  • Normalized Cut.

Примеры сегментации:
  • Использование графов;
  • Использование 2-D решетки;
  • Математические модели;
  • Методы сегментации «сверху-вниз»;
  • Деформируемые контуры;
  • Параметризация;
  • Задание энергии контура;
  • Оптимизация;
  • Berkeley Segmentation DataSet [BSDS].

Комментарии (3)


  1. SamSol
    02.05.2015 13:48
    +1

    i-just-wanted-to-learn-how-to-program-video-games :'(


  1. dcc0
    02.05.2015 20:20

    Интересно, но предположу, что многое было реализовано при появлении первых каптчей.
    Наверное, интересна тема, связанная с распознаванием изображений и шифрованием, а также хранением зашифрованных данных внутри изображения или видео.


  1. JeStoneDev
    20.05.2015 12:27
    +1

    Всего в программе девять лекций

    Уже 20 дней прошло с момента выкладывания 8-й лекции. Когда ждать 9-ю?